全基因组关联分析（GWAS）虽然指出了成千上万的致病位点，但尴尬的是，超过90%的信号都落在了非编码区[1]。面对这片“基因荒漠”，如果非要硬把线索“安”在隔壁的编码基因头上，传统的科研直觉往往会“碰壁”。
近日，西湖大学杨剑研究员团队在Cell Press旗下期刊The American Journal of Human Genetics发表重磅研究，并一举登上Cell Press官网头条：Genetic control of non-coding RNAs in the human brain and their implications for complex traits。
研究揭示了一个长期被低估的事实：
大脑复杂性状的“隐形推手”，往往是那些被传统测序策略忽略的ncRNA。
因此，一个更现实的问题是：在现有的实验与分析流程下，这类ncRNA信号是否会被系统性低估甚至漏检？
01 顶刊提示：ncRNA的注释缺口可能被低估
该研究基于2865例脑组织数据，构建ncRNA遗传图谱，并观察到明显的注释缺失：
① 鉴定出的lncRNA 中，>70%未被GENCODE注释；circRNA几乎全部位于既有注释范围外。
② ncRNA的eQTL与邻近mRNA的关联并非必然；有72个GWAS信号表现为主要通过lncRNA介导。
③ ncRNA可独立解释约11%的性状遗传力。
该结果在一定程度上依赖Total RNA路线；若沿用常规Poly(A)捕获，部分ncRNA 信号可能难以检测。但即便在bulk层面捕捉到了这些信号，机制层面仍有个现实问题：
bulk看到的是“平均值”，但机制要回答的是“谁在做事”。同一个ncRNA，到底是在兴奋性神经元起作用，还是胶质细胞？
因此我们需要在单细胞层面看清ncRNA/全转录组信号，但主流单细胞流程（尤其是依赖Poly(A)/3’捕获的方法）对这类信号覆盖不足——部分信号在捕获阶段即被过滤。
图1 研究总体概述[2]
02 技术瓶颈：传统单细胞测序为什么不够用
目前主流的标准单细胞测序（如基于10×3’端捕获）高度依赖Oligo(dT)引物抓取Poly(A)尾，面对上述的前沿研究需求，这种策略就明显不够用：
本质抓不到：研究中强调的circRNA（环状，无尾巴）和大量non-poly(A)lncRNA，会被Oligo(dT)引物直接过滤掉。
信息不够全：3’端策略不利于isoform/剪接解析；而变异检出一般只能作为候选线索，可靠性高度依赖覆盖与深度。
样本受限：严重依赖RNA 3’端完整性。对于临床冻存或降解样本（如脑库组织），一旦3’端受损，建库失败概率就很高。
想把顶刊里那种ncRNA线索在单细胞层面讲清楚，光靠传统3’单细胞这套“老工具”往往不够——你需要的是能尽量还原Total RNA视野的测序路线。
03 吉赛生物方案：单细胞全转录组
面向非编码RNA研究需求，吉赛生物基于SeekOne®数字液滴平台提供单细胞全转录组方案，采用“随机引物 + rRNA 去除”，将non-poly(A)转录本纳入检测范围，降低捕获策略带来的漏检风险。
图2 单细胞全转录组测序技术原理
技术特点1 全转录组覆盖更完整，减少non-poly(A)盲区
基于随机引物建库（配合rRNA去除），可在一次测序中同时覆盖 non-poly(A) RNA、circRNA，以及部分细胞内微生物RNA信号，获得更完整的转录组信息，包括：
circRNA捕获与解析：支持单细胞分辨率的识别与定量，用于构建不同细胞类型/状态的 circRNA 图谱。
non-poly(A) lncRNA 检出增强：增强检出与覆盖，降低Poly(A)/3’路线对关键调控分子的漏检风险。
宿主-微生物RNA同步检测：无需Poly(A)富集，可能同时获得宿主与病毒/细菌等微生物RNA，为互作分析提供输入。
技术特点2 全长信息，便于深入解析转录本机制
针对大量未注释转录本，我们结合随机引物与双端测序（Read1/Read2），获取不局限于3’端的序列信息，以支持：
新转录本发现：识别未注释lncRNA/转录本片段，补充现有注释集。
可变剪接分析：解析 isoform 差异及其在不同细胞类型/状态下的表达。
突变检测：视样本与深度而定，用于候选 SNV/Indel 的检出与追踪，为后续验证提供依据。
技术特点3 更适配降解样本，提升临床/脑库组织可用性
脑库或临床冻存组织常因存储/处理差异出现RNA降解。随机引物建库不强依赖3’端完整性，即使部分降解仍可捕获残留片段并测序，从而降低3’端受损导致的漏检风险，使部分原本难以上机的样本也能获得可用数据。
实测数据显示，吉赛单细胞全转录组在不同样本中，均能实现circRNA的精准检出，并大幅提高lncRNA检出率。
技术特点4 配套生信分析，把ncRNA结果“落到论文里”
很多项目的难点不在测序，而在于把circRNA/lncRNA的发现转化为可发表的结果。基于单细胞全转录组数据，我们提供ncRNA分析链路，常用模块包括：
表达与图谱：按细胞类型/状态做circRNA、lncRNA表达矩阵与聚类结果，筛选标记分子。
调控推断：构建ncRNA–mRNA共表达网络，预测潜在靶基因与调控关系。
变异与剪接：在覆盖与深度允许时，汇总候选 SNV，并统计可变剪接事件。
结语
这篇研究的启示在于，许多关键调控因子并不一定存在于“注释最全”的基因组区域，而是在我们过去研究流程里最容易漏掉的ncRNA信号里。对于涉及ncRNA、脑组织或病原相关样本的研究，单细胞全转录组技术可以更有效地捕捉这些关键信号，帮助我们挖掘更多潜在的重要信息。
如果你也在做类似样本或关注ncRNA相关信号，后续想把路线、测序深度和分析策略落到具体项目上，我们可以结合你的研究问题一起细化。
参考文献：
1.Maurano, M. T. et al. Systematic localization of common disease-associated variation in regulatory DNA. Science 337, 1190–1195 (2012).
2.Chen, L. et al. Genetic control of non-coding RNAs in the human brain and their implications for complex traits. The American Journal of Human Genetics (2025) doi:10.1016/j.ajhg.2025.11.012.
原文链接：
https://www.cell.com/ajhg/fulltext/S0002-9297(25)00437-9?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0002929725004379%3Fshowall%3Dtrue