单细胞RNA测序技术的发展及其在牙周炎研究中的应用与展望

doi:10.3877/cma.j.issn.1674-1366.2025.02.001

单细胞RNA 测序（scRNA-seq）技术是一种能够在单细胞分辨率下解析基因表达的强大工具，近年来在牙周炎研究中广泛应用，推动了对牙周组织中细胞异质性和病理进展机制的认识。本文回顾了scRNA-seq技术的发展历程，从早期尝试到成熟与多样化，并重点分析其在牙周炎研究中的应用现状。通过构建牙周组织单细胞图谱，研究者揭示了细胞异质性，识别出与疾病进展和修复相关的关键细胞亚群及分子标志物。细胞异质性分析和拟时序分析进一步阐明了牙周炎中不同细胞的功能特性及疾病动态进程。细胞通讯分析则解析了细胞间信号网络，为疾病诊疗提供了新视角。这些研究揭示了牙周炎相关细胞亚群和关键分子机制，为疾病的精准诊断和靶向治疗提供了重要线索。此外，本文还展望了scRNA-seq技术在牙周领域的未来发展方向，包括空间转录组学、多组学整合、大数据和人工智能的应用，以及在精准诊疗中的前景。尽管scRNA-seq 技术仍面临成本高、数据复杂性强等挑战，但通过技术优化、数据整合及跨学科合作有望进一步推动牙周炎的研究，为精准医学和健康管理提供强有力支持。

关键词: 单细胞RNA测序, 空间转录组学, 多组学, 牙周炎, 人工智能

Single-cell RNA sequencing（scRNA-seq）technology，a powerful tool able to analyze gene expression at single-cell resolution，has been widely used in periodontitis research in recent years，greatly advancing the understanding of cellular heterogeneity and mechanisms of pathological progression in periodontal tissues.Herein，we review the development of scRNA-seq technology from early attempts to maturity and diversification，and focus on the present progress of its application in periodontitis research.By constructing a single-cell atlas of periodontal tissues，the researchers revealed cellular heterogeneity and identified key cellular subpopulations and molecular markers associated with disease progression and repair.Cellular heterogeneity analysis and pseudotime analysis further elucidated the functional properties of different cells in periodontitis and the dynamic course of the disease.The cellcell communication analysis resolved the intercellular signaling network，which provided new perspectives for disease diagnosis and treatment.These studies revealled the periodontitis -associated cell subpopulations and the key molecular mechanisms，which provided important clues for precise diagnosis and targeted treatment of the disease.In addition，this review provides an insight into the future direction of scRNAseq in periodontics，including spatial transcriptomics，multiomics integration，the application of big data and artificial intelligence，and the prospects for precision diagnosis and treatment.Although scRNA-seq still faces challenges such as high cost and data complexity，through technical optimization，data integration and interdisciplinary cooperation，this technology is expected to further advance the development of periodontitis research and strongly contribute to precision medicine and health management.

Key words: Single-cell RNA sequencing, Spatial transcriptomics, Multi-omics, Periodontitis, Artificial intelligence

表1 单细胞RNA测序技术：发展历程、技术特点及应用场景

技术名称	时间	简介	优点	缺点	适用场景
Tang等^［5］	2009年	首个单细胞RNA 测序技术，基于微量反转录和扩增	首次实现单细胞水平转录组测序	敏感性较低，易发生扩增偏差，低通量	初步探索单细胞水平的转录组特性
SMART-seq^［6］	2012年	基于链末端捕获的RNA扩增方法，较高的转录覆盖	能捕获全长转录本	通量较低，成本较高	小规模高分辨率转录分析
CEL-Seq^［7］	2013年	基于线性扩增，加入细胞条形码和唯一分子标识符	定量能力强，可同时分析多个细胞，扩增偏倚较低	不能捕获全长转录本，测序深度较高时成本增加	大规模单细胞分析，如组织或器官分析
SMART-seq2^［8］	2014年	对SMART-seq 优化，改进扩增效率	提高了灵敏度、准确性和覆盖率，同时扩增偏差降低	通量仍然较低，适合少量细胞分析	探索异质性强的细胞群体
Drop-seq^［9］	2015年	基于微流控液滴技术，将单细胞包裹在液滴中进行文库制备	高通量，成本较低，适合大规模筛查	灵敏度较低，无法捕获全长转录本	高通量细胞异质性研究，如癌症或免疫细胞群体分析
InDrop^［10］	2015年	将单个细胞与带有条形码的微珠包裹在液滴中，通过反转录生成带有唯一分子标识符的互补DNA	高通量，成本较低；灵敏度较高，提高了定量精确性，减少了扩增偏差；全程高自动化	无法捕获全长转录本；依赖滴液技术，实验室搭建门槛高，数据分析复杂	在预算有限的情况下，大规模单细胞转录组研究的理想选择
10 × GenomicsChromium^［11］	2016年	基于微珠条形码的高通量技术	操作简便；覆盖率较高，灵敏度较好	需要专用设备；无法获得全长转录本	大规模转录组研究，适合组织或复杂细胞群体的异质性分析
Seq-Well^［12］	2017年	基于微孔板的平板高通量RNA测序技术	成本低，实验室易于实现；适用于固定样本	灵敏度和捕获率低于液滴技术	低成本单细胞测序，适合大规模样本的初步筛查
SPLiT-seq^［13］	2018年	基于分裂池策略的单细胞RNA测序技术	无需微流控设备，成本较低；可用于固定样本	测序深度有限，捕获效率较低	资源受限情况下的大规模样本分析
SMART-seq3^［14］	2020年	改进了全长转录本捕获能力和低表达基因的检测灵敏度	灵敏度极高；可实现高质量全长转录本测	成本较高	深入研究特定细胞群体或解析少量细胞中的转录本特性

表1 单细胞RNA测序技术：发展历程、技术特点及应用场景

技术名称	时间	简介	优点	缺点	适用场景
Tang等^［5］	2009年	首个单细胞RNA 测序技术，基于微量反转录和扩增	首次实现单细胞水平转录组测序	敏感性较低，易发生扩增偏差，低通量	初步探索单细胞水平的转录组特性
SMART-seq^［6］	2012年	基于链末端捕获的RNA扩增方法，较高的转录覆盖	能捕获全长转录本	通量较低，成本较高	小规模高分辨率转录分析
CEL-Seq^［7］	2013年	基于线性扩增，加入细胞条形码和唯一分子标识符	定量能力强，可同时分析多个细胞，扩增偏倚较低	不能捕获全长转录本，测序深度较高时成本增加	大规模单细胞分析，如组织或器官分析
SMART-seq2^［8］	2014年	对SMART-seq 优化，改进扩增效率	提高了灵敏度、准确性和覆盖率，同时扩增偏差降低	通量仍然较低，适合少量细胞分析	探索异质性强的细胞群体
Drop-seq^［9］	2015年	基于微流控液滴技术，将单细胞包裹在液滴中进行文库制备	高通量，成本较低，适合大规模筛查	灵敏度较低，无法捕获全长转录本	高通量细胞异质性研究，如癌症或免疫细胞群体分析
InDrop^［10］	2015年	将单个细胞与带有条形码的微珠包裹在液滴中，通过反转录生成带有唯一分子标识符的互补DNA	高通量，成本较低；灵敏度较高，提高了定量精确性，减少了扩增偏差；全程高自动化	无法捕获全长转录本；依赖滴液技术，实验室搭建门槛高，数据分析复杂	在预算有限的情况下，大规模单细胞转录组研究的理想选择
10 × GenomicsChromium^［11］	2016年	基于微珠条形码的高通量技术	操作简便；覆盖率较高，灵敏度较好	需要专用设备；无法获得全长转录本	大规模转录组研究，适合组织或复杂细胞群体的异质性分析
Seq-Well^［12］	2017年	基于微孔板的平板高通量RNA测序技术	成本低，实验室易于实现；适用于固定样本	灵敏度和捕获率低于液滴技术	低成本单细胞测序，适合大规模样本的初步筛查
SPLiT-seq^［13］	2018年	基于分裂池策略的单细胞RNA测序技术	无需微流控设备，成本较低；可用于固定样本	测序深度有限，捕获效率较低	资源受限情况下的大规模样本分析
SMART-seq3^［14］	2020年	改进了全长转录本捕获能力和低表达基因的检测灵敏度	灵敏度极高；可实现高质量全长转录本测	成本较高	深入研究特定细胞群体或解析少量细胞中的转录本特性

表2 单细胞多组学测序技术：发展历程、技术特点及应用场景

技术名称	时间	简介	优点	缺点	适用场景
G&T-seq^［54］	2015年	联合分析单细胞基因组和转录组	研究突变对转录组的影响	数据量大，需深度测序	癌症、遗传疾病等研究
scTrio-seq^［55］	2016年	同时分析单细胞转录组、DNA甲基化和拷贝数变异	可解析基因表达、表观遗传调控和基因组变异的关联	实验流程复杂，数据处理难度大	癌症研究、基因组变异对转录调控的影响
CROP-seq^［56］	2017年	将CRISPR-Cas9 介导的基因编辑与单细胞转录组测序结合	可同时评估基因编辑对细胞转录组的影响	依赖高效的CRISPR工具，适用性受限	功能基因筛选、验证关键基因对细胞状态的影响
CITE-seq^［57］	2017年	将单细胞转录组测序与蛋白质标记（基于抗体和DNA 条形码）结合	同时分析转录组和表面蛋白表达，拓展表型信息	依赖抗体质量，无法检测所有蛋白	免疫细胞研究，解析表型多样性
REAP-seq^［58］	2017年	类似于CITE-seq，结合转录组和表面蛋白测定	提供更多蛋白-转录组关联信息；通量较高	需要开发和验证高质量抗体	免疫学研究、药物靶点筛选
scM&T-seq^［59］	2018年	联合单细胞转录组和DNA甲基化测序	同时获取转录组和DNA甲基化数据，以便研究基因调控	测序深度需求高；实验复杂	胚胎发育、癌症等领域中的基因-表观遗传互作研究
scNMT-seq^［60］	2018年	联合单细胞转录组、DNA 甲基化和组蛋白修饰测序	捕获多层次表观遗传信息和转录组，关联基因调控和表达	实验复杂；数据分析挑战大	研究基因表达与表观遗传状态的全景关系
sci-CAR^［61］	2018年	结合转录组测序和染色质可及性测序，基于细胞索引技术	高通量，单次实验可分析上万个细胞	灵敏度有限，需要优化分辨率	表观遗传与基因表达关联分析，研究发育过程
Paired-seq^［62］	2019年	同时分析单细胞转录组和染色质开放性，基于物理分离和分子索引	数据质量高；能关联染色质状态与转录动态	实验流程较复杂，依赖优化实验条件	单细胞水平上分析基因表达调控机制
DOGMA-seq^［63］	2021年	允许共同测量来自同一细胞的染色质可及性、基因表达、蛋白质和细胞谱系，最后一项是通过线粒体DNA测量的	允许更全面的表型特征；可以从线粒体突变中进行系谱推断	可能会对RNA质量产生负面影响；实验复杂，数据分析挑战大	多层次剖析分化的表观遗传决定因素及其动态，构建全基因组调控模型

表2 单细胞多组学测序技术：发展历程、技术特点及应用场景

技术名称	时间	简介	优点	缺点	适用场景
G&T-seq^［54］	2015年	联合分析单细胞基因组和转录组	研究突变对转录组的影响	数据量大，需深度测序	癌症、遗传疾病等研究
scTrio-seq^［55］	2016年	同时分析单细胞转录组、DNA甲基化和拷贝数变异	可解析基因表达、表观遗传调控和基因组变异的关联	实验流程复杂，数据处理难度大	癌症研究、基因组变异对转录调控的影响
CROP-seq^［56］	2017年	将CRISPR-Cas9 介导的基因编辑与单细胞转录组测序结合	可同时评估基因编辑对细胞转录组的影响	依赖高效的CRISPR工具，适用性受限	功能基因筛选、验证关键基因对细胞状态的影响
CITE-seq^［57］	2017年	将单细胞转录组测序与蛋白质标记（基于抗体和DNA 条形码）结合	同时分析转录组和表面蛋白表达，拓展表型信息	依赖抗体质量，无法检测所有蛋白	免疫细胞研究，解析表型多样性
REAP-seq^［58］	2017年	类似于CITE-seq，结合转录组和表面蛋白测定	提供更多蛋白-转录组关联信息；通量较高	需要开发和验证高质量抗体	免疫学研究、药物靶点筛选
scM&T-seq^［59］	2018年	联合单细胞转录组和DNA甲基化测序	同时获取转录组和DNA甲基化数据，以便研究基因调控	测序深度需求高；实验复杂	胚胎发育、癌症等领域中的基因-表观遗传互作研究
scNMT-seq^［60］	2018年	联合单细胞转录组、DNA 甲基化和组蛋白修饰测序	捕获多层次表观遗传信息和转录组，关联基因调控和表达	实验复杂；数据分析挑战大	研究基因表达与表观遗传状态的全景关系
sci-CAR^［61］	2018年	结合转录组测序和染色质可及性测序，基于细胞索引技术	高通量，单次实验可分析上万个细胞	灵敏度有限，需要优化分辨率	表观遗传与基因表达关联分析，研究发育过程
Paired-seq^［62］	2019年	同时分析单细胞转录组和染色质开放性，基于物理分离和分子索引	数据质量高；能关联染色质状态与转录动态	实验流程较复杂，依赖优化实验条件	单细胞水平上分析基因表达调控机制
DOGMA-seq^［63］	2021年	允许共同测量来自同一细胞的染色质可及性、基因表达、蛋白质和细胞谱系，最后一项是通过线粒体DNA测量的	允许更全面的表型特征；可以从线粒体突变中进行系谱推断	可能会对RNA质量产生负面影响；实验复杂，数据分析挑战大	多层次剖析分化的表观遗传决定因素及其动态，构建全基因组调控模型

表3 基于人工智能的多组学整合：方法特点及应用场景

方法	时间	简介	优点	缺点	适用场景
totalⅥ^［69］	2021年	使用变分自动编码器整合单细胞转录组和蛋白组数据	处理数据缺失能力强	结果解释性较低；需要较高的计算资源	CITE-seq数据整合分析，单细胞表型解析
GLUE^［70］	2021年	基于图神经网络构建跨组学数据的联合嵌入模型，实现细胞特征的全面整合	适应性强，可整合多模态数据	需要高质量的标注数据；训练过程可能较慢	单细胞多组学分析，细胞类型分类，转录与表观遗传关联分析
BABEL^［71］	2021年	利用对抗性生成网络实现单细胞数据模态的转换，并可以整合额外的单细胞数据模式	可用于模态预测和数据补全，提升跨组学数据整合能力	训练过程需要大量数据；模型稳定性依赖于参数选择	模态转换，单细胞数据补全和多组学预测
BindSC^［72］	2022年	使用深度学习模型，通过稀疏编码解耦多组学数据（如RNA和ATAC）之间的特定和共享特征	提供跨模态的特征匹配能力，有助于分析转录调控机制	模型较为复杂；数据预处理要求高	转录组与染色质状态匹配分析，解析基因调控网络
MultiⅥ^［73］	2023年	基于变分推断的深度学习框架，整合单细胞转录组和ATAC-seq（Assayfor Transposase-Accessible Chromatinwith high throughput sequencing）数据	对数据缺失有鲁棒性；可处理多模态和单模态数据	需要复杂的模型训练；结果解释性较低	单细胞转录组和ATACseq数据整合，多模态细胞表征
scMoGNN^［74］	2022年	使用图神经网络对单细胞多组学数据建模，通过构建图节点表示整合RNA和ATAC数据	提供了高效的多组学整合分析能力，尤其适用于稀疏数据	图模型的参数调优复杂，计算资源需求高	单细胞转录组-ATAC 数据整合，细胞异质性研究
DeepMAPS^［75］	2023年	基于深度学习的框架，通过构建互作矩阵整合转录组和蛋白质组数据	可精确预测基因表达与蛋白水平的关联	数据处理复杂；模型参数选择对结果影响较大	转录-蛋白互作预测，多组学层次的生物网络重构

表3 基于人工智能的多组学整合：方法特点及应用场景

方法	时间	简介	优点	缺点	适用场景
totalⅥ^［69］	2021年	使用变分自动编码器整合单细胞转录组和蛋白组数据	处理数据缺失能力强	结果解释性较低；需要较高的计算资源	CITE-seq数据整合分析，单细胞表型解析
GLUE^［70］	2021年	基于图神经网络构建跨组学数据的联合嵌入模型，实现细胞特征的全面整合	适应性强，可整合多模态数据	需要高质量的标注数据；训练过程可能较慢	单细胞多组学分析，细胞类型分类，转录与表观遗传关联分析
BABEL^［71］	2021年	利用对抗性生成网络实现单细胞数据模态的转换，并可以整合额外的单细胞数据模式	可用于模态预测和数据补全，提升跨组学数据整合能力	训练过程需要大量数据；模型稳定性依赖于参数选择	模态转换，单细胞数据补全和多组学预测
BindSC^［72］	2022年	使用深度学习模型，通过稀疏编码解耦多组学数据（如RNA和ATAC）之间的特定和共享特征	提供跨模态的特征匹配能力，有助于分析转录调控机制	模型较为复杂；数据预处理要求高	转录组与染色质状态匹配分析，解析基因调控网络
MultiⅥ^［73］	2023年	基于变分推断的深度学习框架，整合单细胞转录组和ATAC-seq（Assayfor Transposase-Accessible Chromatinwith high throughput sequencing）数据	对数据缺失有鲁棒性；可处理多模态和单模态数据	需要复杂的模型训练；结果解释性较低	单细胞转录组和ATACseq数据整合，多模态细胞表征
scMoGNN^［74］	2022年	使用图神经网络对单细胞多组学数据建模，通过构建图节点表示整合RNA和ATAC数据	提供了高效的多组学整合分析能力，尤其适用于稀疏数据	图模型的参数调优复杂，计算资源需求高	单细胞转录组-ATAC 数据整合，细胞异质性研究
DeepMAPS^［75］	2023年	基于深度学习的框架，通过构建互作矩阵整合转录组和蛋白质组数据	可精确预测基因表达与蛋白水平的关联	数据处理复杂；模型参数选择对结果影响较大	转录-蛋白互作预测，多组学层次的生物网络重构

［1］	Moutsopoulos NM，Konkel JE.Tissue specific immunity at the oral mucosal barrier［J］.Trends Immunol，2018，39（4）：276-287.DOI：10.1016/j.it.2017.08.005.
［2］	Chapple ILC，Hirschfeld J，Kantarci A，et al.The role of the host：Neutrophil biology［J］.Periodontology 2000，2023.DOI：10.1111/prd.12490.
［3］	Papalexi E，Satija R.Single-cell RNA sequencing to explore immune cell heterogeneity［J］.Nat Rev Immunol，2018，18（1）：35-45.DOI：10.1038/nri.2017.76.
［4］	Williams DW，Greenwell-Wild T，Brenchley L，et al.Human oral mucosa cell atlas reveals a stromal-neutrophil axis regulating tissue immunity［J］.Cell，2021，184（15）：4090-4104.e15.DOI：10.1016/j.cell.2021.05.013.
［5］	Tang F，Barbacioru C，Wang Y，et al.mRNA-seq wholetranscriptome analysis of a single cell［J］.Nat Methods，2009，6（5）：377-382.DOI：10.1038/nmeth.1315.
［6］	Ramsköld D，Luo S，Wang YC，et al.Full-length mRNA-Seq from single-cell levels of RNA and individual circulating tumor cells［J］.Nature Biotechnology，2012，30（8）：777-782.DOI：10.1038/nbt.2282.
［7］	Hashimshony T，Wagner F，Sher N，et al.CEL-seq：Single-cell RNA-seq by multiplexed linear amplification［J］.Cell Rep，2012，2（3）：666-673.DOI：10.1016/j.celrep.2012.08.003.
［8］	Picelli S，Björklund ÅK，Faridani OR，et al.Smart-seq2 for sensitive full-length transcriptome profiling in single cells［J］.Nat Methods，2013，10（11）：1096-1098.DOI：10.1038/nmeth.2639.
［9］	Macosko EZ，Basu A，Satija R，et al.Highly parallel genomewide expression profiling of individual cells using nanoliter droplets［J］.Cell，2015，161（5）：1202-1214.DOI：10.1016/j.cell.2015.05.002.
［10］	Klein AM，Mazutis L，Akartuna I，et al.Droplet barcoding for single-cell transcriptomics applied to embryonic stem cells［J］.Cell，2015，161（5）：1187-1201.DOI：10.1016/j.cell.2015.04.044.
［11］	Dixit A，Parnas O，Li B，et al.Perturb-seq：Dissecting molecular circuits with scalable single-cell RNA profiling of pooled genetic screens［J］.Cell，2016，167（7）：1853-1866.e17.DOI：10.1016/j.cell.2016.11.038.
［12］	Gierahn TM，Wadsworth MH，Hughes TK，et al.Seq-well：Portable，low - cost RNA sequencing of single cells at high throughput［J］.Nat Methods，2017，14（4）：395-398.DOI：10.1038/nmeth.4179.
［13］	Rosenberg AB，Roco CM，Muscat RA，et al.Single-cell profiling of the developing mouse brain and spinal cord with split-pool barcoding［J］.Science，2018，360（6385）：176-182.DOI：10.1126/science.aam8999.
［14］	Hagemann-Jensen M，Ziegenhain C，Chen P，et al.Single-cell RNA counting at allele and isoform resolution using smart-seq3［J］.Nat Biotechnol，2020，38（6）：708-714.DOI：10.1038/s41587-020-0497-0.
［15］	Tan SJ，Phan H，Gerry BM，et al.A microfluidic device for preparing next generation DNA sequencing libraries and for automating other laboratory protocols that require one or more column chromatography steps［J］.PloS One，2013，8（7）：e64084.DOI：10.1371/journal.pone.0064084.
［16］	Zhang X，Li T，Liu F，et al.Comparative analysis of dropletbased ultra-high-throughput single-cell RNA-seq systems［J］.Molecular Cell，2019，73（1）：130-142.e5.DOI：10.1016/j.molcel.2018.10.020.
［17］	Satija R，Farrell JA，Gennert D，et al.Spatial reconstruction of single-cell gene expression data［J］.Nat Biotechnol，2015，33（5）：495-502.DOI：10.1038/nbt.3192.
［18］	Trapnell C，Cacchiarelli D，Grimsby J，et al.The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells［J］.Nature Biotechnology，2014，32（4）：381-386.DOI：10.1038/nbt.2859.
［19］	Wolf FA，Angerer P，Theis FJ.SCANPY：Large-scale singlecell gene expression data analysis［J］.Genome Biol，2018，19（1）：15.DOI：10.1186/s13059-017-1382-0.
［20］	Ding J，Adiconis X，Simmons SK，et al.Systematic comparison of single-cell and single-nucleus RNA-sequencing methods［J］.Nat Biotechnol，2020，38（6）：737-746.DOI：10.1038/s41587-020-0465-8.
［21］	Qian SJ，Huang QR，Chen RY，et al.Single-cell RNA sequencing identifies new inflammation - promoting cell subsets in asian patients with chronic periodontitis［J］.Front Immunol，2021，12：711337.DOI：10.3389/fimmu.2021.711337.
［22］	Qiu W，Guo R，Yu H，et al.Single-cell atlas of human gingiva unveils a NETs - related neutrophil subpopulation regulating periodontal immunity［J］.J Adv Res，2024：S2090-1232（24）00312-6.DOI：10.1016/j.jare.2024.07.028.
［23］	Agrafioti P，Morin-Baxter J，Tanagala KKK，et al.Decoding the role of macrophages in periodontitis and type 2 diabetes using single-cell RNA-sequencing［J］.FASEB J，2022，36（2）：e22136.DOI：10.1096/fj.202101198R.
［24］	Zhang K，Chen X，Zhou R，et al.Inhibition of gingival fibroblast necroptosis mediated by RIPK3/MLKL attenuates periodontitis［J］.J Clin Periodontol，2023，50（9）：1264-1279.DOI：10.1111/jcpe.13841.
［25］	Easter QT，Fernandes Matuck B，Beldorati Stark G，et al.Singlecell and spatially resolved interactomics of tooth - associated keratinocytes in periodontitis［J］.Nat Commun，2024，15（1）：5016.DOI：10.1038/s41467-024-49037-y.
［26］	Liu C，Xie J，Lin B，et al.Pan-cancer single-cell and spatialresolved profiling reveals the immunosuppressive role of APOE+macrophages in immune checkpoint inhibitor therapy［J］.Adv Sci（Weinh），2024，11（23）：e2401061.DOI：10.1002/advs.20240 1061.
［27］	Chen Y，Wang H，Yang Q，et al.Single-cell RNA landscape of the osteoimmunology microenvironment in periodontitis［J］.Theranostics，2022，12（3）：1074-1096.DOI：10.7150/thno.65694.
［28］	Liu Y，He S，Wang XL，et al.Tumour heterogeneity and intercellular networks of nasopharyngeal carcinoma at single cell resolution［J］.Nat Commun，2021，12（1）：741.DOI：10.1038/s41467-021-21043-4.
［29］	Su J，Song Y，Zhu Z，et al.Cell-cell communication：New insights and clinical implications［J］.Signal Transduct Target Ther，2024，9（1）：196.DOI：10.1038/s41392-024-01888-z.
［30］	Jin S，Guerrero-Juarez CF，Zhang L，et al.Inference and analysis of cell-cell communication using CellChat［J］.Nat Commun，2021，12（1）：1088.DOI：10.1038/s41467-021-21246-9.
［31］	Efremova M，Vento-Tormo M，Teichmann SA，et al.CellPhoneDB：Inferring cell-cell communication from combined expression of multi-subunit ligand-receptor complexes［J］.Nat Protoc，2020，15（4）：1484-1506.DOI：10.1038/s41596-020-0292-x.
［32］	Browaeys R，Saelens W，Saeys Y.NicheNet： Modeling intercellular communication by linking ligands to target genes［J］.Nat Methods，2020，17（2）：159-162.DOI：10.1038/s41592-019-0667-5.
［33］	Armingol E，Baghdassarian HM，Lewis NE.The diversification of methods for studying cell-cell interactions and communication［J］.Nat Rev Genet，2024，25（6）：381-400.DOI：10.1038/s41576-023-00685-8.
［34］	Mo JJ，Lai YR，Huang QR，et al.Single-cell sequencing identifies inflammation-promoting fibroblast-neutrophil interaction in periimplantitis［J］.J Clin Periodontol，2024，51（2）：196-208.DOI：10.1111/jcpe.13912.
［35］	Wang Q，Lin W，Zhou X，et al.Single-cell transcriptomic atlas of gingival mucosa in type 2 diabetes［J］.J Dent Res，2022，101（13）：1654-1664.DOI：10.1177/00220345221092752.
［36］	Amrute JM，Luo X，Penna V，et al.Targeting immune-fibroblast cell communication in heart failure［J］.Nature，2024，635（8038）：423-433.DOI：10.1038/s41586-024-08008-5.
［37］	Aibar S，González-Blas CB，Moerman T，et al.SCENIC：Singlecell regulatory network inference and clustering［J］.Nat Methods，2017，14（11）：1083-1086.DOI：10.1038/nmeth.4463.
［38］	Schiebinger G，Shu J，Tabaka M，et al.Optimal - transport analysis of single-cell gene expression identifies developmental trajectories in reprogramming［J］.Cell，2019，176（4）：928-943.e22.DOI：10.1016/j.cell.2019.01.006.
［39］	Scialdone A，Natarajan KN，Saraiva LR，et al.Computational assignment of cell-cycle stage from single-cell transcriptome data［J］.Methods，2015，85：54-61.DOI：10.1016/j.ymeth.2015.06.021.
［40］	Moriel N，Senel E，Friedman N，et al.NovoSpaRc：Flexible spatial reconstruction of single-cell gene expression with optimal transport［J］.Nat Protoc，2021，16（9）：4177-4200.DOI：10.1038/s41596-021-00573-7.
［41］	Alghamdi N，Chang W，Dang P，et al.A graph neural network model to estimate cell-wise metabolic flux using single-cell RNAseq data［J］.Genome Res，2021，31（10）：1867-1884.DOI：10.1101/gr.271205.120.
［42］	Holland CH，Tanevski J，Perales-Patón J，et al.Robustness and applicability of transcription factor and pathway analysis tools on single-cell RNA-seq data［J］.Genome Biol，2020，21（1）：36.DOI：10.1186/s13059-020-1949-z.
［43］	Dixon EE，Wu H，Muto Y，et al.Spatially resolved transcriptomic analysis of acute kidney injury in a female murine model［J］.J Am Soc Nephrol，2022，33（2）：279-289.DOI：10.1681/ASN.2021081150.
［44］	Rodriques SG，Stickels RR，Goeva A，et al.Slide-seq：A scalable technology for measuring genome-wide expression at high spatial resolution［J］.Science，2019，363（6434）：1463-1467.DOI：10.1126/science.aaw1219.
［45］	Chen KH，Boettiger AN，Moffitt JR，et al.Spatially resolved，highly multiplexed RNA profiling in single cells［J］.Science，2015，348（6233）：aaa6090.DOI：10.1126/science.aaa6090.
［46］	Chen A，Liao S，Cheng M，et al.Spatiotemporal transcriptomic atlas of mouse organogenesis using DNA nanoball - patterned arrays［J］.Cell，2022，185（10）：1777-1792.e21.DOI：10.1016/j.cell.2022.04.003.
［47］	Shen Z，Zhang R，Huang Y，et al.The spatial transcriptomic landscape of human gingiva in health and periodontitis［J］.Sci China Life Sci，2024，67（4）：720-732.DOI：10.1007/s11427-023-2467-1.
［48］	Caetano AJ，Redhead Y，Karim F，et al.Spatially resolved transcriptomics reveals pro-inflammatory fibroblast involved in lymphocyte recruitment through CXCL8 and CXCL10［J］.Elife，2023，12：e81525.DOI：10.7554/eLife.81525.
［49］	Rao A，Barkley D，França GS，et al.Exploring tissue architecture using spatial transcriptomics［J］.Nature，2021，596（7871）：211-220.DOI：10.1038/s41586-021-03634-9.
［50］	Chen H，Li D，Bar-Joseph Z.SCS：Cell segmentation for highresolution spatial transcriptomics［J］.Nat Methods，2023，20（8）：1237-1243.DOI：10.1038/s41592-023-01939-3.
［51］	Zhu J，Pang K，Hu B，et al.Custom microfluidic chip design enables cost-effective three-dimensional spatiotemporal transcriptomics with a wide field of view［J］.Nat Genet，2024，56（10）：2259-2270.DOI：10.1038/s41588-024-01906-4.
［52］	Stuart T，Satija R.Integrative single-cell analysis［J］.Nat Rev Genet，2019，20（5）：257-272.DOI：10.1038/s41576-019-0093-7.
［53］	Miao Z，Humphreys BD，McMahon AP，et al.Multi-omics integration in the age of million single-cell data［J］.Nat Rev Nephrol，2021，17（11）：710-724.DOI：10.1038/s41581-021-00463-x.
［54］	Macaulay IC，Haerty W，Kumar P，et al.G&T-seq：Parallel sequencing of single-cell genomes and transcriptomes［J］.Nat Methods，2015，12（6）：519-522.DOI：10.1038/nmeth.3370.
［55］	Hou Y，Guo H，Cao C，et al.Single-cell triple omics sequencing reveals genetic，epigenetic，and transcriptomic heterogeneity in hepatocellular carcinomas［J］.Cell Res，2016，26（3）：304-319.DOI：10.1038/cr.2016.23.
［56］	Datlinger P，Rendeiro AF，Schmidl C，et al.Pooled CRISPR screening with single - cell transcriptome readout［J］.Nat Methods，2017，14（3）：297-301.DOI：10.1038/nmeth.4177.
［57］	Stoeckius M，Hafemeister C，Stephenson W，et al.Simultaneous epitope and transcriptome measurement in single cells［J］.Nat Methods，2017，14（9）：865-868.DOI：10.1038/nmeth.4380.
［58］	Peterson VM，Zhang KX，Kumar N，et al.Multiplexed quantification of proteins and transcripts in single cells［J］.Nat Biotechnol，2017，35（10）：936-939.DOI：10.1038/nbt.3973.
［59］	Angermueller C，Clark SJ，Lee HJ，et al.Parallel single-cell sequencing links transcriptional and epigenetic heterogeneity［J］.Nat Methods，2016，13（3）：229-232.DOI：10.1038/nmeth.3728.
［60］	Clark SJ，Argelaguet R，Kapourani CA，et al.scNMT-seq enables joint profiling of chromatin accessibility DNA methylation and transcription in single cells［J］.Nat Commun，2018，9（1）：781.DOI：10.1038/s41467-018-03149-4.
［61］	Cao J，Cusanovich DA，Ramani V，et al.Joint profiling of chromatin accessibility and gene expression in thousands of single cells［J］.Science，2018，361（6409）：1380-1385.DOI：10.1126/science.aau0730.
［62］	Zhu C，Yu M，Huang H，et al.An ultra high-throughput method for single-cell joint analysis of open chromatin and transcriptome［J］.Nat Struct Mol Biol，2019，26（11）：1063-1070.DOI：10.1038/s41594-019-0323-x.
［63］	Mimitou EP，Lareau CA，Chen KY，et al.Scalable，multimodal profiling of chromatin accessibility，gene expression and protein levels in single cells［J］.Nat Biotechnol，2021，39（10）：1246-1258.DOI：10.1038/s41587-021-00927-2.
［64］	Picard M，Scott-Boyer MP，Bodein A，et al.Integration strategies of multi-omics data for machine learning analysis［J］.Comput Struct Biotechnol J，2021，19：3735-3746.DOI：10.1016/j.csbj.2021.06.030.
［65］	Hayes CN，Nakahara H，Ono A，et al.From omics to multiomics：A review of advantages and tradeoffs［J］.Genes（Basel），2024，15（12）：1551.DOI：10.3390/genes15121551.
［66］	Butler A，Hoffman P，Smibert P，et al.Integrating single-cell transcriptomic data across different conditions，technologies，and species［J］.Nat Biotechnol，2018，36（5）：411-420.DOI：10.1038/nbt.4096.
［67］	Buechler MB，Pradhan RN，Krishnamurty AT，et al.Crosstissue organization of the fibroblast lineage［J］.Nature，2021，593（7860）：575-579.DOI：10.1038/s41586-021-03549-5.
［68］	Xu C，Prete M，Webb S，et al.Automatic cell-type harmonization and integration across Human Cell Atlas datasets［J］.Cell，2023，186（26）：5876-5891.e20.DOI：10.1016/j.cell.2023.11.026.
［69］	Gayoso A，Steier Z，Lopez R，et al.Joint probabilistic modeling of single-cell multi-omic data with total Ⅵ［J］.Nat Methods，2021，18（3）：272-282.DOI：10.1038/s41592-020-01050-x.
［70］	Cao ZJ，Gao G.Multi-omics single-cell data integration and regulatory inference with graph - linked embedding［J］.Nat Biotechnol，2022，40（10）：1458-1466.DOI：10.1038/s41587-022-01284-4.
［71］	Wu KE，Yost KE，Chang HY，et al.BABEL enables crossmodality translation between multiomic profiles at single-cell resolution［J］.Proc Natl Acad Sci U S A，2021，118（15）：e2023070118.DOI：10.1073/pnas.2023070118.
［72］	Dou J，Liang S，Mohanty V，et al.Bi-order multimodal integration of single-cell data［J］.Genome Biol，2022，23（1）：112.DOI：10.1186/s13059-022-02679-x.
［73］	Ashuach T，Gabitto MI，Koodli RV，et al.Multi Ⅵ：Deep generative model for the integration of multimodal data［J］.Nat Methods，2023，20（8）：1222-1231.DOI：10.1038/s41592-023-01909-9.
［74］	Wen H，Ding J，Jin W，et al.Graph neural networks for multimodal single-cell data integration［C］//Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining，New York，NY，USA：Association for Computing Machinery，2022：4153 - 4163.https：//dl.acm.org/doi/10.1145/3534678.3539213.
［75］	Ma A，Wang X，Li J，et al.Single-cell biological network inference using a heterogeneous graph transformer［J］.Nat Commun，2023，14（1）：964.DOI：10.1038/s41467-023-36559-0.
［76］	Cantalupo P，Diacou A，Park S，et al.Single-cell RNA-seq reveals a resolving immune phenotype in the oral mucosa［J］.iScience，2024，27（9）：110735.DOI：10.1016/j.isci.2024.110735.
［77］	Lähnemann D，Köster J，Szczurek E，et al.Eleven grand challenges in single-cell data science［J］.Genome Biol，2020，21（1）：31.DOI：10.1186/s13059-020-1926-6.

[1]	叶莉, 杜宇. 深度学习在牙髓根尖周病临床诊疗中的应用[J/OL]. 中华口腔医学研究杂志(电子版), 2024, 18(06): 351-356.
[2]	陈洁莹, 许晶莹, 黄泽萍. 超声在女性压力性尿失禁诊断与疗效评估中的应用进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2025, 19(01): 14-20.
[3]	黄俊龙, 李文双, 李晓阳, 刘柏隆, 陈逸龙, 丘惠平, 周祥福. 基于盆底彩超的人工智能模型在女性压力性尿失禁分度诊断中的应用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 597-605.
[4]	李伟, 宋子健, 赖衍成, 周睿, 吴涵, 邓龙昕, 陈锐. 人工智能应用于前列腺癌患者预后预测的研究现状及展望[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 541-546.
[5]	熊鹰, 林敬莱, 白奇, 郭剑明, 王烁. 肾癌自动化病理诊断：AI离临床还有多远？[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 535-540.
[6]	夏永旭, 林元强, 王辉. 多模态超声引导消融治疗周围型肺癌研究进展[J/OL]. 中华肺部疾病杂志(电子版), 2025, 18(01): 176-179.
[7]	张铭杰, 李梦娜, 程明瑶, 王宇亮, 粘永健, 赵瑞臣, 杨宇, 刘慕源, 廖元, 唐超. 高原肺水肿肺超声筛查深度学习模型构建与优化[J/OL]. 中华肺部疾病杂志(电子版), 2025, 18(01): 68-73.
[8]	蔡玉琳, 牛丹, 马丹, 王爽. 不同CT 重建算法对人工智能肺结节诊断的意义[J/OL]. 中华肺部疾病杂志(电子版), 2024, 17(06): 931-935.
[9]	彭子洋, 王志博, 巴赫, 颜彦, 彭浩茜, 李宇, 刘学民, 向俊西, 吴荣谦, 吕毅. 增强现实、虚拟现实与混合现实在腔镜肝脏外科中的应用[J/OL]. 中华肝脏外科手术学电子杂志, 2025, 14(01): 13-17.
[10]	哈丽比热·艾尼瓦尔, 范海, 玉素甫·司马义, 高代熹, 孜拉来·艾尔肯, 李汶洳, 朱国华. PLAT基因在胶质瘤中的作用：联合转录组、单细胞转录组和空间转录组的研究[J/OL]. 中华脑科疾病与康复杂志(电子版), 2024, 14(06): 325-333.
[11]	范文文, 范晓娟, 白桦, 张红梅, 王洁. 医学成像和放射治疗中的AI 治理审查框架[J/OL]. 中华临床医师杂志(电子版), 2024, 18(11): 973-979.
[12]	梁博宇, 宋宏萍, 宋张骏, 巨艳, 王虎霞, 薛文欣. 人工智能辅助乳腺影像学检查造成的自动偏差[J/OL]. 中华临床医师杂志(电子版), 2024, 18(11): 1061-1065.
[13]	孙铭远, 褚恒, 徐海滨, 张哲. 人工智能应用于多发性肺结节诊断的研究进展[J/OL]. 中华临床医师杂志(电子版), 2024, 18(08): 785-790.
[14]	马钰杰, 游雨禾, 朴哲, 薛洪省, 曹文军, 王珍, 赵志龙. 人工智能在肺结节预测模型中应用的研究现状[J/OL]. 中华胸部外科电子杂志, 2025, 12(01): 39-48.
[15]	周艳, 赵梦扬, 乔彤, 蔡颖. 人工智能辅助口腔环境管理模式在颈动脉狭窄合并牙周炎患者中的应用研究[J/OL]. 中华脑血管病杂志(电子版), 2024, 18(06): 528-534.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Single-cell RNA sequencing in periodontal research：Technological development，applications，and future perspectives

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Single-cell RNA sequencing in periodontal research：Technological development，applications，and future perspectives