数据处理与预处理
标准化甲基化阵列数据，为后续分析做准备
使用minfi处理450k和EPIC阵列数据，进行背景校正和缩放，应用Heidelberg分类器进行分类。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
胶质母细胞瘤的细胞表观遗传分类系统
A cellular epigenetic classification system for glioblastoma
实验完整度
高该研究包含多种独立证据层级，如基于批量甲基化数据的NMF建模、基于单细胞多组学数据验证、患者样本验证及生存分析，且包含功能验证和机制探索。
主要模型
胶质母细胞瘤患者样本（TCGA、Heidelberg等） 健康脑组织样本（GSE66351） 单细胞DNA甲基化与转录组数据（GSE151506等）
重点核对
NMF成分数量（k）的确定：基于重建误差和共聚类分析 去卷积算法：EpiDISH RPC算法，最大迭代2000次 纯化阈值：肿瘤纯度>20% 分类置信度阈值：Heidelberg分类器得分>0.9 统计显著性水平：P<0.05
摘要
背景：细胞异质性是胶质母细胞瘤（GBM）的定义性特征，塑造肿瘤进展和治疗反应。虽然单细胞分析能够解析这种异质性，但该方法对于大队列研究和临床应用而言仍不切实际。相反，基于DNA甲基化的分类广泛用于GBM诊断，但不提供细胞分辨率。方法：我们引入一种层次化非负矩阵分解方法（ITHresolveGBM），以解卷积大量的DNA甲基化谱，推断微环境的胶质细胞、免疫细胞和神经元细胞的丰度，并进一步区分恶性细胞的分化状态。结果：使用ITHresolveGBM，我们发现低肿瘤细胞含量会损害基于甲基化的分类，最显著的是将间充质亚型与高免疫细胞浸润联系起来。通过整合多组学单细胞数据，我们证明表观遗传解卷积能够捕获从干样到分化程度更高的肿瘤的恶性分化连续体。该连续体与此前的GBM分类系统对齐，并与独特的分子驱动因子（如PDGFRA、TP53、EGFR）和生存结果相关。结论：我们的框架调和了基于DNA甲基化和RNA的分类系统，并为统一批量肿瘤谱与单细胞生物学提供了蓝图，从而细化分子分层并增强GBM诊断。关键词：生物信息学，癌症，细胞状态，基于DNA甲基化的分类，胶质母细胞瘤，单细胞表观遗传学。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何从批量DNA甲基化数据中解析GBM的细胞异质性，并调和不同的分子分类系统？
- 核心机制
- 恶性细胞的分化连续体（从干样到分化状态）与亚型相关，RTK-I对应干样，RTK-II对应分化；MES亚型主要由免疫成分驱动。
- 主要证据
- 通过NMF分解出6个成分，结合单细胞数据验证，并利用批量数据验证分化评分与转录组评分相关，生存分析和遗传改变关联支持分类。
- 研究意义
- 该研究提供了参考谱和方法，能够改善低纯度GBM的诊断分类，调和不同分类系统，并有助于个性化治疗。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
层次化NMF分解
识别GBM中的恶性和非恶性细胞成分
两步NMF：第一步分析70个样本识别环境成分，第二步固定非恶性成分，分析263个GBM样本识别恶性成分。
成分验证
验证NMF成分的生物相关性
使用单细胞DNA甲基化数据分类，计算分类一致性，并基于单细胞数据生成伪批量样本进行去卷积验证。
纯度和成分估计
估计肿瘤纯度和微环境细胞组成
使用EpiDISH RPC算法对批量样本进行去卷积，估计各成分丰度。
体内外验证
验证纯度和成分估计的准确性
与ABSOLUTE、MethylCIBERSORT等估计的纯度比较，并与免疫组化估计比较。
纯化与再分类
通过去除微环境信号改进分类
扩展InfiniumPurify方法，回归多个非恶性成分，然后重新进行分类。
分化状态推断
从批量数据推断恶性细胞分化状态
基于NMF恶性成分定义DNA甲基化分化评分（Malignant 2+3-1），并与RNA分化评分比较。
空间与时间稳定性分析
评估分化状态在肿瘤内和随时间是否稳定
分析多区域（7例、64活检）和纵向（46例、91样本）数据，计算分化评分稳定性。
分类系统调和与临床关联
将分化状态与已知分类系统关联，并评估遗传改变和生存
比较不同分类标签，进行生存分析、遗传改变关联。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
数据处理与质量控制
单细胞数据整合
基因集富集分析
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据预处理 | minfi | -- | -- |
| 海德堡中枢神经系统肿瘤分类器v11.4 | -- | -- | |
| 数据分解 | 非负矩阵分解 | -- | -- |
| 去卷积 | EpiDISH | -- | -- |
| Bulk2SC | -- | -- | |
| 纯化 | InfiniumPurify | -- | -- |
| 统计 | survival | -- | -- |
| survminer | -- | -- | |
| 基因集富集分析 | GSEABase | -- | -- |
| 数据处理 | BEDTools | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据处理与预处理 | 样本来源及数目：GEO、TCGA、GLASS等 阅读提示：Methods: Data Acquisition |
| 层次化NMF分解 | NMF参数：成分数k的选择，基于重建误差和共聚类 阅读提示：Methods: Hierarchical Non-Negative Matrix Factorization |
| 去卷积 | 使用EpiDISH RPC算法，最大迭代2000次 阅读提示：Methods: Deconvolution of Tumor Profiles |
| 纯化与再分类 | 纯度阈值：>20%；使用扩展的InfiniumPurify方法 阅读提示：Methods: In-Silico Purification |
| 分化评分 | 分化评分公式：Malignant 2+3-1；与RNA评分相关性验证 阅读提示：Methods: Differentiation Scores |
| 统计方法 | P值调整：Benjamini-Hochberg；显著性水平：0.05 阅读提示：Methods: Statistical Methods |