我们进行了几项分析,以验证GAG评分的稳健性。首先,GAG评分对当前评分方法的扰动不敏感,包括使用不同的标准来选择GAG或不执行细胞级背景校正(图3——补充图1A–D). 我们还发现,仅使用旧细胞评估组织细胞GAG评分效果得出了几乎相同的结果(图3——图补充1H)。
接下来,我们进行了平行分析,以确定TMS液滴数据上的GAG,并发现59个这样的基因(由于较小的样本大小和检测能力)。我们发现,如上所述,液滴GAG和330个FACS GAG之间共有34个基因(p=9e-48)。与FACS GAG类似,我们还发现,液滴GAG与许多与衰老相关的疾病中已知的基因显著重叠,包括阿尔茨海默病(p=2.8e-4)、神经母细胞瘤(p=1.2e-3)和纤维肉瘤(p=1.4e-3)。此外,我们考虑了一组261个在Kimmel等人,2019这项scRNA-seq研究包含年轻和老年小鼠肾脏、肺和脾脏的细胞,261个共有的衰老基因被定义为与五种以上细胞类型的衰老显著相关的基因(Kimmel等人,2019年). 我们发现Kimmel等人共有90个基因。基因和FACS GAG(p=2e-105),Kimmel等共有42个基因和液滴GAG(p=7e-69)。此处报告的所有p值均通过Fisher精确测试计算得出。
使用从TMS FACS数据中识别的GAG,我们计算了GAG得分,并进一步估计了TMS液滴数据、批量数据(将每个小鼠样本视为一个“细胞”)、Kimmel等人的数据以及来自Kowalczyk等人,2015年最后一组数据只有三种造血干细胞亚型,因此在其他分析中被忽略。我们发现,在所有四个验证数据集中,年龄顺序对GAG得分的影响显著为正(对于批量数据,由于样本量和检测能力较小,p=7e-10,对于其他三个数据集,p<1e-100)。由于GAG是根据FACS数据选择的,因此GAG得分与四个验证数据集中的年龄标签无关,从而证实了GAG得分确实反映了老化过程。
其他四个数据集估计的组织间GAG评分效应也与FACS数据估计的结果一致(图3-图补充1,4E至F). 具体而言,在液滴数据和Kimmel等人的数据中,免疫细胞类型具有较高的GAG评分效应,而上皮细胞、内皮细胞和实质细胞类型具有较低的GAG得分效应。特别是对于液滴数据,由于注释的细胞类型数量较少,短寿命细胞类型也具有较高但不显著的GAG评分影响。在查看大量数据时,我们发现与免疫相关的组织和器官,如全血、脾脏和骨髓,具有最高的GAG评分效应。有趣的是,在Kowalczyk等人的数据中,MPP(多能祖细胞)的GAG评分效应小于ST-HSC(短期HSC),后者小于LT-HSC(长期HSC)。这与这三种细胞类型的分化潜能完全一致,与FACS数据中观察到的更多干细胞具有更高GAG评分效应的假设一致。
最后,我们发现组织细胞GAG评分效应在数据集之间高度一致(FACS数据和图3D,FACS数据和Kimmel等人数据之间的相关性为0.75,p=1e-3图3——补充图1G). 总之,我们表明GAG评分能够描述年龄顺序以及老化过程中的转录变化。此外,我们可以使用组织细胞GAG评分效应来对比具有不同生物学特性的细胞类型的老化状态,包括功能类别和周转率。这提供了一个全面的分析,展示了GAG评分如何捕捉老化的异质分子效应。此外,我们通过合并来自同一组织的所有细胞类型,在组织层面重复了DGE分析和GAG评分分析。我们观察到定性上类似的发现,支持分析的稳健性。请参阅图3-图补充5——8了解更多详细信息。