综述：单细胞图谱的比较综述：跨物种和组织的细胞多样性图谱

《Cellular and Molecular Life Sciences》：A comparative review of single-cell atlases: mapping cellular diversity across species and tissues

本综述系统评述了单细胞图谱（sc-seq）的研究进展，重点分析了其生物聚焦（整体性、跨组织、跨癌种、组织特异性）、物种多样性（以人类和小鼠为主）以及数据集规模。文章强调了单细胞图谱在解析细胞异质性、构建参考图谱（如HCA、HuBMAP、Tabula Sapiens）以及推动精准医疗（如肿瘤免疫、COVID-19研究）方面的变革性作用，并指出了当前图谱在物种和组织覆盖方面的局限性，为未来图谱的标准化和整合提供了方向。

　　

单细胞图谱的比较综述：跨物种和组织的细胞多样性图谱

1. 引言

生命体是由多种具有不同功能和特征的细胞类型组成的复杂系统。理解细胞多样性是揭示生命复杂性和解决关键临床问题的基础。人类作为高度复杂的生物体，成年期约有37万亿个细胞和估计200种细胞类型。即使在相同的细胞群体或生物体内，单个细胞也表现出独特的特征，包括生化组成、定量变异、形态和生理活性，从而导致不同的疾病易感性。尤其值得注意的是，肿瘤细胞表现出显著的癌症异质性，这由不同的体细胞遗传改变、转录调控、表观遗传修饰和肿瘤微环境相互作用所驱动。

历史上，批量RNA测序一直是基因表达分析的基石，能够实现生物标志物识别、基因融合发现和癌症分类。然而，这种方法生成的是跨越组织或细胞群体的平均基因表达谱，掩盖了关键的细胞特异性信息。为了克服这些局限性，自2009年以来，单细胞测序（sc-seq）技术应运而生，彻底改变了我们在多个维度上分析细胞异质性的能力，包括转录组学、基因组学、表观基因组学、空间转录组学和多组学，并在免疫学、肿瘤学、复杂疾病机制和药物发现中产生了深远影响。在癌症研究中，scRNA-seq在单细胞水平捕获肿瘤变异，并识别循环肿瘤细胞用于无创诊断和治疗，而空间RNA-seq则在组织架构内绘制基因表达图谱，为肿瘤发生提供见解。将这些单细胞技术与其他组学方法整合，可以更全面地理解肿瘤异质性、微环境动态和进展。

在肿瘤学之外，sc-seq也显著推动了传染病研究。例如，在COVID-19大流行期间，scRNA-seq揭示了宿主-病原体相互作用和免疫反应的关键见解。这些研究特别强调了I型干扰素反应的情境依赖性双重作用，其作用因疾病进展的时间和严重程度而异，以及特定免疫细胞亚群（如巨核细胞和单核细胞）在驱动重症病例细胞因子风暴中的贡献。这些发现凸显了单细胞技术在阐明复杂疾病机制以及指导治疗开发和诊断创新方面的变革潜力。

sc-seq技术和计算算法的近期进展促进了基于分子谱的大规模单细胞数据集的分析和整合，从而催生了全面的参考细胞类型图谱的开发，例如人类细胞图谱（HCA）和小鼠细胞图谱（MCA）。这些全生物体细胞图谱为探索跨物种的细胞多样性、基因调控网络、组织组织和病理机制提供了分层框架，是生物学和临床研究的宝贵参考。然而，现有的图谱在生物聚焦、物种覆盖和数据集大小方面存在差异，因此需要进行系统的比较评估以确定其优势和局限性。

本综述对现有单细胞图谱进行了比较分析，评估了它们的生物聚焦、物种多样性、数据集大小和覆盖范围。我们基于Hrovatin等人先前发表的框架，并辅以近期文献中识别出的额外图谱，重点介绍了该领域的关键贡献和持续存在的差距。最后，我们旨在为单细胞图谱的未来开发和应用提供建议。

2. 单细胞图谱的范围

2.1 生物聚焦

基于本研究考察的单细胞图谱，这些资源的生物聚焦可大致分为四类：整体性（全生物体）、跨组织（多组织或多器官，但非全身覆盖）、跨癌种以及细胞类型/组织特异性图谱。整体性图谱提供了对整个生物体的更广阔视角，允许跨多个组织和器官系统进行比较，以获得更具代表性的生物系统理解。著名的例子包括HCA和MCA。在所评述的36个图谱中，只有两个被归类为整体性单细胞图谱：人类集成细胞图谱（hECA）和单细胞图谱（SCA）。

相比之下，跨组织图谱侧重于特定细胞谱系或组织系统，而非整个生物体。例如，Dominguez Conde等人专注于描述一部分组织内免疫细胞的组织特异性特征和克隆结构，而Suo等人则通过分析九个产前组织中的免疫细胞，重建了发育中的人类免疫系统。在另一项研究中，Buechler等人描述了跨多个组织的成纤维细胞异质性，强调了成纤维细胞状态的组织间变异，而非专注于单个器官或组织类型。此外，与传统单细胞图谱不同，人类内胚层类器官细胞图谱（HEOCA）侧重于类器官，而非直接分析原代组织样本，整合了来自九个内胚层衍生组织的数据。虽然它是谱系特异性的，但整合多种组织类型使其在内胚层谱系内被归类为跨组织图谱。跨组织图谱能够对来自同一个体的不同组织的单细胞数据进行比较分析，使研究人员能够控制年龄、性别和采样背景等混杂变量。这种方法有助于识别保守的细胞状态、组织特异性基因表达模式以及组织间的细胞异质性。虽然这种方法揭示了保守的细胞特征、组织特异性适应和疾病相关模式，但必须解决跨组织单细胞数据生成和整合中的挑战，以确保稳健的生物学见解。

除了跨组织图谱，一些跨癌种研究聚焦于肿瘤微环境（TME）内的肿瘤相关细胞群体，包括肿瘤浸润髓系细胞、免疫细胞、T细胞和自然杀伤（NK）细胞。虽然这些研究主要考察癌症背景下的特定细胞类型，但它们分析了源自不同组织的多种癌症类型。这种方法能够进行瘤内和瘤间比较，从而识别共享的细胞状态以及癌症特异性特征和功能特性。这些见解对于开发个性化疗法和有效的患者分层策略至关重要。

与整体性和跨组织图谱相比，大多数单细胞资源是细胞类型或组织特异性的，提供了特定细胞类型或单个器官的高分辨率表征。这些图谱为器官特异性生物学和疾病建模提供了全面的参考框架。显著的例子包括肾脏、大脑、肝脏、心脏和肺的图谱。例如，肺部细胞图谱提供了健康人肺内所有细胞类型的详细概述，是理解肺部生理学和细胞病理学的基础资源。同样，心脏和肝脏图谱提供了器官结构以及细胞和分子组成的全面参考，识别了保守和情境依赖的细胞状态，并支持跨健康和疾病状态的比较分析。

2.2 物种多样性

当前的单细胞图谱显示出对人类生物学和疾病的强烈关注，在36个评述的图谱中，有26个主要或完全基于人类数据。小鼠是第二常见的模式生物，这体现在五个以小鼠为中心的图谱中。除了这些以生物体为中心的图谱外，我们还确定了四项研究分别呈现了人类和小鼠的图谱，一项完全整合的跨物种图谱，以及两个包含多个物种的元图谱。此外，一些人类或小鼠中心的图谱通过不同的方法，包括计算比对工具和异种移植模型，纳入了跨物种分析。

小鼠由于其与人类高度相似的解剖学和生理学，仍然是实验生物学的基石。然而，尽管在某些组织中基因活性相似，但基因调控和表达方面的显著物种特异性差异对小鼠模型在人类生物学研究某些领域的适用性提出了挑战。例如，一项比较人类和小鼠基因调控的共表达网络研究揭示了大脑、骨骼和代谢紊乱相关基因的强保守性。然而，在睾丸、眼睛和皮肤等组织，以及免疫反应通路和肿瘤相关基因中观察到更大的差异。这些差异凸显了将小鼠模型的研究结果外推到人类系统时需要情境感知的解释。此外，非人灵长类动物模型，尤其是猕猴，由于与人类具有超过95%的DNA序列同源性，是另一个有前景的人类研究模型。它们在研究模型特异性疾病和免疫反应方面的相关性尤为突出。然而，这种模型成本更高、操作更困难且涉及伦理考量。这些发现强调，在人类生物学中选择动物模型是情境依赖的，需要谨慎解释。因此，单细胞水平的跨物种分析对于通过提供更高分辨率的基因表达数据、完善跨物种关系以及确保研究发现与人类生物学的相关性来改进模型选择至关重要。

单细胞图谱的跨物种分析对于弥合人类与其他生物体之间的生物学差距、发现共享和独特的细胞和分子特征、深入了解细胞异质性和稀有细胞群体以及增强我们对进化和发育生物学的理解至关重要。此类分析可以使用单独或组合的方法进行，每种方法都有其独特的优点和局限性。虽然单独分析保留了物种特异性变异和数据集特异性异质性，但它依赖于同源细胞类型的手动交叉注释，这可能费力且容易产生注释不一致。相比之下，组合分析将来自多个物种的数据集合并到一个具有批次校正的统一框架中，增加了总体细胞数以进行聚类，从而增强了稀有细胞类型的检测。然而，这种方法计算量大，并且可能由于过度校正而掩盖物种特异性细胞身份。因此，选择适当的分析策略需要仔细考虑研究目标以及在保持生物学特异性和最大化比较分辨率之间的权衡。

计算工具在整合和分析跨物种单细胞数据集中扮演着几个角色。由实验方案或生物变异（如性别、年龄和遗传背景）引起的技术和生物批次效应可能掩盖实际的生物差异。为了克服这一点，已经产生了各种计算方法来减轻这些批次效应，从而实现更准确的跨物种比较。然而，需要仔细考虑以避免过度校正（可能消除有生物学意义的差异）或校正不足（可能无法充分混合跨物种簇的细胞群体）。尽管计算工具促进了跨物种基因映射和比对，但在同源注释、细胞类型注释和转移以及轨迹对齐方面仍然存在一些挑战。这些挑战源于进化分歧、不准确或不完整的基因同源性注释以及跨物种的发育变异，这可能导致整合过程中的信息丢失。因此，未来的计算工具应纳入多组学数据整合，并利用机器学习以获得更好的集成嵌入。

除了计算比较和预测之外，跨物种验证对于确认生物学见解也至关重要。在当前的单细胞图谱中，一种广泛采用的验证方法是异种移植模型，它为人类细胞或类器官在活体生物体内的功能性、成熟度和保真度提供了宝贵的见解。这些研究考察了跨物种环境对移植到小鼠宿主体内的人类细胞或类器官的影响。这些模型为了解人类细胞如何在外来生物环境（如小鼠宿主）内响应和适应提供了关键见解。例如，Aizarani等人证明，人类肝细胞和非实质肝细胞被植入小鼠体内，并保留了核心肝脏特异性基因表达，包括ALB和CLEC4G。然而，在植入和未植入的细胞之间观察到AKR1B10的基因表达改变，表明环境对细胞基因调控的影响。类似地，Xu等人观察到人类内胚层衍生类器官在异种移植到小鼠宿主前后具有不同的成熟模式，突出了宿主环境对细胞发育的影响。这些发现强调了异种移植模型在转化研究中的重要性，为研究保守和跨物种适应机制、验证治疗模型以及体内研究疾病机制提供了一个宝贵的平台，同时也促进了再生和治疗模型的临床前验证。

2.3 数据集大小和覆盖范围

理解数据集的大小和覆盖范围对于评估单细胞图谱在生物学研究中的全面性和适用性至关重要。单细胞图谱中数据的广度和深度直接影响其在研究中的效用，特别是在阐明细胞多样性和疾病机制方面。单细胞图谱的数据集大小和覆盖范围差异很大，影响了它们提供关于细胞异质性和疾病机制见解的能力。总之，整合多样化和广泛的数据集对于增强对不同生物背景下细胞多样性及疾病潜在机制的理解至关重要。这种比较分析强调了数据集大小和生物覆盖范围在增强对细胞多样性和疾病机制理解方面的重要性，最终指导未来的研究方向。总之，对单细胞图谱进行系统的比较评估对于推进我们对细胞多样性的理解以及提高研究发现在跨物种间的相关性至关重要。

3. 获得的生物学见解

3.1 关于细胞类型定义的共识

从这些图谱中获得的见解不仅增强了我们对组织组成的理解，而且提供了关于疾病机制和潜在治疗靶点的关键信息。本综述强调了整合不同数据集以完善细胞类型定义和改善我们对细胞多样性与疾病机制之间复杂相互作用的理解的重要性。这些发现凸显了单细胞图谱在弥合关于细胞多样性和疾病知识差距方面的潜力，最终为靶向治疗策略和精准医疗提供信息。单细胞图谱的持续发展对于推进精准医疗至关重要，因为它们有助于识别疾病特异性细胞特征和治疗靶点。

虽然这些图谱提供了强大的资源，但它们的解释因围绕“细胞类型”定义的概念复杂性而变得复杂。显然，相同的群体，如经常表现出组织特异性转录程序的免疫细胞，使得定义严格的分类标准变得棘手。这种情境依赖性表明，细胞类型注释应以跨组织保守的基本转录组特征为中心，同时理解局部微环境的功能调节。此外，人们越来越认识到，无需明确的细胞类型分类也能获得生物学见解。组织异质性的全局测量，包括基因表达分布的熵和相关性结构，提供了动态状态和关键转变的宝贵指标。值得注意的是，单细胞分析表明，分子变异性增加可能先于不可逆的命运承诺，突出了基于异质性的框架作为传统分类方案的补充的重要性。本综述强调需要不断改进单细胞图谱方法学，以实现细胞多样性的全面表征，从而推进我们对疾病机制的理解并为新型治疗干预措施的开发提供信息。

3.2 组织组成和细胞多样性

单细胞技术的进步持续重塑我们对组织组成和细胞多样性的理解，为精准医疗中的创新治疗策略铺平道路。这一进展强调需要进一步研究将单细胞数据与临床结果整合，以增强个性化治疗策略。将单细胞数据与临床结果整合对于推进个性化医疗至关重要，因为它能够识别疾病特异性细胞特征和治疗靶点。此外，单细胞技术和分析方法的持续改进将有助于解决我们在理解细胞多样性及其在疾病进展中的作用方面的差距。从这种比较分析中获得的见解可以指导未来的研究方向，确保单细胞图谱在推进我们对复杂疾病和治疗策略的理解方面保持相关性和有效性。单细胞技术和比较分析的这些进步为治疗复杂疾病时更有效的精准医疗和靶向疗法铺平了道路。

尽管单细胞技术，特别是scRNA-seq取得了进步，一个公认的局限性是数据矩阵的稀疏性。每个细胞仅包含有限数量的mRNA分子，这导致许多基因的零计数频率很高。为了模拟检测极限，可以采用几种策略来解决这个问题：首先，实验设计应旨在捕获全面的亚群范围，以准确代表组织的整体异质性。其次，确保足够的测序深度至关重要，这应通过严格的质量控制（QC）措施进行评估。这包括使用Qubit测量DNA浓度、使用Bioanalyzer分析片段大小以及检查测序质量分数（例如Q30）等评估。为了减少脱落事件，通常将不符合QC阈值的文库排除在测序之外。第三，必须在测序运行期间持续监控，以确保跨各种亚群的稳健转录本检测保持准确。当稀疏性持续存在时，可以利用计算策略，包括插补算法（例如MAGIC、SAVER）、零膨胀模型或基于表达给定基因的细胞比例的分析，以提高可解释性。总之，这些方法有助于减少数据稀疏性，并促进跨不同生物学条件的更可靠比较分析。

3.3 疾病理解

总之，单细胞技术及其与临床研究整合的持续进步将显著增强我们对疾病机制的理解，并改进靶向疗法的开发。这些进步凸显了单细胞图谱在精准医疗中的变革潜力，使得能够实现更有效的、针对个体患者需求的诊断和治疗方法。单细胞图谱的未来是充满希望的，因为它们持续发展和扩展，为细胞机制和疾病通路提供了前所未有的见解。将单细胞图谱整合到临床实践中可能会彻底改变诊断和治疗策略，为更有效的个性化医疗方法铺平道路。这些进步的意义超越了单纯的理解，因为它们具有通过更有效和个体化的治疗选择来彻底改变患者护理的潜力。将单细胞图谱整合到临床实践中将通过实现针对个体细胞谱的更精确和有效的治疗策略来改善患者结局。随着这些技术的进步，它们很可能在跨各种疾病发展个性化医疗方面发挥关键作用。单细胞图谱的持续演进对于塑造未来的研究方向和临床应用至关重要，最终提高精准医疗的精确性和有效性。单细胞测序技术的持续改进对于揭示细胞相互作用的复杂性及其对疾病治疗和预防的意义至关重要。

4. 单细胞图谱的关键贡献

4.1 人类细胞图谱（HCA）

人类细胞图谱（HCA）是一个国际性的开放科学联盟倡议，旨在以与人类基因组计划相媲美的规模，绘制所有人类细胞类型的单细胞分辨率图谱。通过单细胞或单细胞核分子分析和空间分析，HCA旨在基于独特的基因表达模式、生理状态、发育轨迹和空间位置来表征人类细胞，从而生成人体的全面参考图谱。

HCA是理解人类健康、疾病机制、再生生物学、药物发现、药物疗效和毒性、监测和诊断的基础资源。其转化相关性在COVID-19大流行期间变得明显，特别是在理解严重急性呼吸综合征冠状病毒2（SARS-CoV-2）感染方面，该感染始于单细胞水平。这种方法对于识别靶向细胞、病毒进入位点、传播、风险因素、流行病学和发病机制至关重要。

通过利用其现有的健康单细胞参考数据，HCA社区汇集了数百万个单细胞谱来研究SARS-CoV-2病理学，将这些与COVID-19患者数据进行比较以创建新的COVID-19图谱。这些努力揭示了SARS-CoV-2病毒进入受体基因，血管紧张素转换酶2（ACE2），在II型肺泡上皮细胞、角膜上皮细胞和两种鼻腔特异性上皮细胞亚型中高表达，识别了关键的感染门户。它还在子宫-胎盘界面和胃肠道肠细胞中被检测到，分别提示了潜在的母婴传播和口-粪传播途径。此外，单细胞分析在多个器官（如心脏、嗅觉系统、肾脏和大脑）中发现了罕见的表达ACE2的细胞，这些在批量RNA分析中可能被忽略。HCA研究人员还发现ACE2表达随年龄增长而增加，男性中更高，并且在吸烟者的气道细胞中升高，为与COVID-19易感性相关的流行病学因素提供了见解。此外，单细胞分析通过识别康复患者的中和抗体以及通过监测疾病进展期间和疫苗接种后的免疫细胞动态来推进疫苗研究，为药物发现做出了贡献。

此外，HCA通过使全球科学家能够贡献本地生成的单细胞数据，同时通过可公开访问的HCA数据门户（一个支持开放数据访问和集成分析的云平台）促进开放数据共享，从而促进全球合作。它通过制定协调的、国际化的、可互操作的伦理工具包，推进科学努力并应对其他大规模生物医学研究中的各种伦理和法律挑战，例如人体组织采样、数据保护以及隐私考虑。

4.2 人类生物分子图谱计划（HuBMAP）

由美国国立卫生研究院（NIH）资助的人类生物分子图谱计划（HuBMAP）旨在为生物医学研究开发一个健康人类细胞的空间解析多组学图谱（例如，基因组学、表观基因组学、转录组学、蛋白质组学和代谢组学）的开放访问框架，这些细胞来自多样化的成年人群。

与主要专注于定义整个人体细胞谱及其生物学作用的HCA不同，HuBMAP专长于高分辨率三维（3D）组织绘图以创建空间图谱。这项工作的核心是描绘组织架构和识别功能组织单元（FTUs），为在完整组织微环境中解释细胞组织和功能提供空间背景。

为了构建人体组织的详细空间图谱，HuBMAP采用了一种两步方法。在第一阶段，利用单细胞组学分析，如单细胞转录组学和染色质可及性分析，生成全基因组基因表达和表观遗传谱，从而揭示跨不同细胞类型的分子多样性和调控机制。在第二阶段，应用空间解析技术，包括荧光显微镜、序贯荧光原位杂交（seqFISH）、成像质谱和成像质谱流式细胞术，以捕获完整组织内生物分子的定位。这种整合方法揭示了重要的生物学细节，如蛋白质定位、翻译后修饰（例如磷酸化）和微环境状态。

为了支持这种全面绘图，HuBMAP采用了大约40种不同的分析技术，并开发了用于3D组织绘图和空间数据整合的先进工具。这些包括通过成像质谱和共检测索引（CODEX）进行亚细胞空间绘图、通过通用坐标框架（CCF）进行多尺度数据协调和标准化、使用Azimuth平台进行scRNA-seq分析的自动注释，以及使用Vitesse进行交互式可视化。在生产阶段，新的空间绘图技术，如HiFi-Slide测序和CosMx，不断扩展和整合。值得注意的是，该计划推动了新技术和创新的发展，促进了细胞相互作用和复杂组织组织的研究。

HuBMAP通过能够分析组织内的细胞相互作用和空间关系，为疾病机制和潜在治疗靶点提供了生物学见解。例如，在患有支气管肺发育不良（BPD）儿童的研究中，HuBMAP数据和分析工具被用于比较实质细胞和免疫细胞的距离分布，以及健康个体和BPD个体特定肺区域的细胞结构。类似地，HuBMAP的一个肠道图谱发现了肠道的细胞多样性、肠道免疫细胞的空间组织以及基因调控和分化通路，突出了关键的临床联系。该研究发现，具有高体重指数（BMI）的个体表现出促炎性M1巨噬细胞的增加，而有高血压史的个体则显示内皮细胞和CD8⁺ T细胞的减少。这些发现可能作为胃肠道疾病的潜在早期迹象，并提示与结肠癌等疾病的潜在关联。

为了鼓励开放和协作的团队科学方法，HuBMAP积极与其他倡议合作，包括HCA、人类蛋白质图谱和器官特异性项目（例如，大脑、肺、肾脏和泌尿生殖系统的NIH赞助的绘图联盟）。NIH与HCA合作的一个显著成果是开发了协调的数据标准和分析管道，促进了跨倡议的数据共享和比较分析。此外，HuBMAP通过其门户网站提供广泛的教育资源，包括教程、讲座、演示和其他视频，以支持更广泛的生物医学研究社区的知识传播和可重复性。

4.3 Tabula Sapiens

与先前主要依赖于不同供体组织的图谱不同，Tabula Sapiens是一个开创性的大规模单细胞转录组图谱，它分析了来自同一个体的多个人体组织。在这个图谱中，从一个供体收集了17个组织，从第二个供体收集了14个，从另外两个供体收集了五个，以及从其他11个供体收集了少量组织。Tabula Sapiens不是使用分离的细胞核，而是使用包含所有mRNA（包括剪接和未剪接转录本）的活细胞进行研究，促进了选择性剪接的研究。为了理解scRNA-seq数据与传统组织学之间的关联，对苏木精-伊红（H&E）染色的组织切片进行了基于形态学的分类，为估计相对细胞丰度和评估空间异质性提供了参考。这些比较揭示了组织学和转录组学之间的广泛一致性，同时也突出了细胞类型比例上的差异，从而允许更准确地估计真实细胞丰度，同时解决了单细胞RNA-seq方法中固有的解离诱导偏差。

通过使用Smart-seq和10x基于液滴的测序技术进行系统的跨组织比较，这个由HCA联盟研究人员开发的图谱为保守和组织特异性特征以及特定细胞类型或状态中的疾病关联提供了宝贵的见解。细胞特化的一个例子可以在巨噬细胞中看到，它们表现出组织特异性基因表达模式：虽然脾脏巨噬细胞表达高水平的CD5L，但皮肤和子宫等实体组织中的巨噬细胞显示出较高的表皮调节素表达。研究人员还识别了跨器官共享的T细胞谱系以及B细胞中的组织特异性超突变率。除了对基础研究的贡献外，Tabula Sapiens还作为细胞游离RNA研究的全面多组织单细胞参考图谱，使研究人员能够分析细胞游离RNA信号并识别与疾病相关的细胞来源。通过将cfRNA谱与其细胞来源联系起来，该资源促进了对循环RNA生物标志物的更精确解释，从而推进了对人类生理学的机制理解和新型诊断工具的开发。

最近，Tabula Sapiens 2.0联盟通过增加来自九个额外供体和四个新组织的样本，显著扩展了其数据集。这导致了关于转录因子（TF）活性、细胞衰老模式以及跨组织性别特异性基因表达的重要发现。该研究识别了参与应激反应、增殖和代谢的通用活性TF（例如JUN、FOS和STAT1）以及细胞类型特异性TF，如FOXP3，它在T细胞调节中发挥作用。在细胞衰老方面，这个扩展的图谱揭示了各组织间衰老细胞比例的异质性，眼睛、膀胱和舌头中的负担最高，而心脏、肌肉和卵巢中的负担最低。这些衰老细胞表现出复杂多样的表型，在代谢重编程、细胞应激、免疫反应和炎症方面具有不同的模式。此外，Tabula Sapiens 2.0在单细胞水平发现了性别偏向的基因表达，其表达因细胞类型和组织而异。值得注意的是，HLA-DPB1表达在女性样本中富集，可能有助于增加对免疫介导疾病，特别是自身免疫性疾病的易感性。