泛癌单细胞图谱构建与细胞亚群鉴定
构建跨癌种高分辨率TME细胞图谱，鉴定免疫和基质细胞亚群。
收集19种上皮性癌症的公共scRNA-seq数据，经质控、DoubletFinder去双细胞、RPCA整合及无监督聚类，注释主要细胞谱系并对非上皮谱系进行亚聚类。
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
单细胞分析定义泛癌肿瘤微环境中的细胞生态系统及恶性细胞状态耦合
Single-cell profiling defines cellular ecosystems and malignant cell state coupling across pan-cancer tumor microenvironments
实验完整度
中基于公共scRNA-seq数据的生物信息学整合分析，含空间转录组验证及生存关联，但无湿实验功能验证。
主要模型
19种人类上皮性癌症的652份肿瘤样本（544例患者） 155份健康或癌旁正常组织样本（127例个体） 公共空间转录组数据集（368份样本，26项研究） 免疫治疗scRNA-seq队列（146份样本，72例患者）
重点核对
细胞亚群鉴定与批次校正：使用kBET、LISI、ASW指标评估，并通过留一数据集交叉验证聚类稳定性 八种细胞生态系统亚型：基于患者水平细胞亚群相对丰度的层次聚类（Ward法）定义，要求亚群在≥25例患者中检出且每例患者≥150个细胞 预后关联验证：Scissor算法整合TCGA bulk RNA-seq与生存数据，并在PRECOG独立队列（11,487例上皮性肿瘤）中验证 恶性细胞状态与生态系统耦合：在空间转录组数据中计算双变量Moran's I及Pearson相关性，仅纳入恶性细胞比例>0.1的spot 配体-受体相互作用：CellPhoneDB预测（置换P<0.05），并利用空间距离衰减模型计算空间信息通信评分
摘要
肿瘤嵌合于由恶性细胞、免疫细胞和基质细胞构成的复杂微环境中，然而协调的细胞组织如何塑造跨癌种的肿瘤生物学仍不完全清楚。本文整合了来自19种人类上皮性癌症、超过两百万个细胞的单细胞转录组图谱，构建了肿瘤微环境（TME）组织的泛癌综合图谱。我们鉴定了相较于正常组织在肿瘤中选择性富集的细胞亚群，并显示其相对丰度与临床结局相关。通过根据细胞组成对肿瘤进行聚类，我们定义了八种反复出现的细胞生态系统亚型，这些亚型捕捉了跨癌种免疫和基质结构的协调变异。比较分析揭示这些生态系统状态与不同的肿瘤内在分子程序相关，包括信号通路活性、转录调控和拷贝数改变的差异。我们进一步揭示了将恶性细胞与免疫和基质区室联系起来的亚型特异性配体-受体相互作用模式，并利用空间转录组数据为这些相互作用提供独立的空间支持。总之，本工作为肿瘤生态系统分层提供了统一框架，并强调细胞组织作为肿瘤异质性的关键维度，对精准癌症治疗具有潜在意义。
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
- 跨癌种肿瘤微环境中协调的细胞组织如何构成反复出现的生态系统，并与恶性细胞内在转录状态及临床结局相关联。
- 核心机制
- 肿瘤按免疫和基质细胞组成可归纳为八种反复出现的细胞生态系统亚型，这些亚型与恶性细胞特异的信号通路、细胞因子、转录因子程序及拷贝数改变耦合；特定恶性细胞状态（如增殖状态）与E8生态系统通过配体-受体相互作用网络（如FASLG-FAS、LGALS9-HAVCR2、CXCL11-CXCR3）发生空间耦合。
- 主要证据
- 基于19种上皮性癌症652份样本的单细胞转录组整合图谱（96个TME细胞亚群、13个恶性细胞状态），结合TCGA/PRECOG生存关联分析、免疫治疗队列映射、空间转录组共定位分析及配体-受体通信评分，揭示生态系统亚型与临床结局及恶性程序的关联。
- 研究意义
- 提供了泛癌TME生态系统分层的统一框架，将细胞组织确立为肿瘤异质性的关键维度，并为患者分层和微环境靶向治疗策略的开发提供参考。
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。
肿瘤与正常组织细胞亚群丰度比较
鉴定肿瘤相对正常组织选择性富集或减少的细胞亚群。
整合健康及癌旁正常组织scRNA-seq数据，通过Seurat锚点标签转移将正常细胞映射至肿瘤图谱，比较各亚群在肿瘤与正常组织中的比例差异。
细胞亚群与临床结局及免疫治疗响应的关联分析
评估TME细胞亚群的预后价值及与免疫检查点治疗响应的关系。
使用Scissor算法整合TCGA bulk RNA-seq与总生存及TMB数据，在PRECOG队列中独立验证；并将免疫治疗scRNA-seq数据集映射至图谱比较治疗前后响应与非响应样本的亚群丰度。
细胞生态系统亚型定义与患者分层
基于细胞亚群共变模式定义反复出现的TME生态系统亚型。
计算患者水平细胞亚群相对丰度的两两相关性，采用Ward法层次聚类定义生态系统，以累积丰度最高的生态系统作为患者主导亚型。
生态系统亚型与恶性细胞分子程序关联分析
揭示各生态系统亚型对应的恶性细胞内在信号通路、细胞因子和转录因子程序及拷贝数特征。
利用PROGENy、CytoSig、DoRothEA推断恶性细胞通路、细胞因子和转录因子活性，比较不同生态系统亚型间的差异；分析拷贝数变异负荷及9p21、3p等位点改变。
恶性细胞转录状态鉴定与生态系统耦合分析
解析恶性细胞内在转录异质性模块，并评估其与TME生态系统亚型的耦合关系。
对每例肿瘤恶性细胞表达谱进行NMF分解鉴定基因模块，通过Jaccard相似性整合为共识模块；计算模块评分并与生态系统亚型进行GLM和相关性分析。
空间转录组验证恶性状态与生态系统耦合及配体-受体相互作用
在空间层面独立验证恶性细胞状态与生态系统亚型的共定位及候选细胞通信。
收集公共空间转录组数据，用RCTD反卷积估计各spot细胞亚群比例，计算恶性状态评分和生态系统活性评分，进行Pearson相关和双变量Moran's I分析；用CellPhoneDB预测配体-受体对，并用空间距离衰减模型量化空间通信评分。
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。
差异表达与功能 signature 评分
临床关联与免疫治疗响应分析
生态系统聚类与共现分析
通路、细胞因子与转录因子活性推断
细胞通信推断
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 单细胞RNA-seq数据处理 | Seurat | -- | v4.3.0.1 |
| 双细胞检测 | DoubletFinder | -- | v2.0.3 |
| 拷贝数变异推断 | CopyKAT | -- | v1.0.8 |
| signature评分 | AUCell | -- | v1.12.0 |
| 预后关联分析 | Scissor | -- | v2.0.0 |
| 荟萃分析 | meta R包 | -- | v7.0 |
| 层次聚类 | pheatmap R包 | -- | v1.0.12 |
| 富集分析 | epitools R包 | -- | v0.5–10.1 |
| 通路活性推断 | PROGENy | -- | v1.12.0 |
| 多变量线性模型推断 | decoupleR | -- | v2.3.3 |
| 空间转录组反卷积 | spacexr | -- | v2.0.0 |
| 空间关联分析 | spdep R包 | -- | v1.3.8 |
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 |
|---|---|
| 泛癌单细胞图谱构建 | 数据纳入平台（10x Genomics或Drop-seq）、质控阈值（采用原研究阈值）、排除基因集（1,514个）、HVG数量（2,000）、整合方法（RPCA） 阅读提示：Methods 'Collection and preprocessing of single-cell RNA-seq datasets'及'Batch effect correction, unsupervised clustering and annotation of major cell lineages' |
| 肿瘤与正常组织细胞亚群比较 | 正常组织样本来源与数量（155份，127例个体）、标签转移参数（30维）、Ro/e阈值（>1） 阅读提示：Methods 'Integration of normal tissue scRNA-seq datasets'及'Cell subsets preference evaluation' |
| 预后与免疫治疗响应关联分析 | TCGA癌种范围、Scissor参数（alpha网格搜索、cutoff 0.5）、亚群细胞数阈值（≥10）、免疫治疗队列研究数量与癌种 阅读提示：Methods 'Association of TME cell subsets with patient survival and tumor mutation burden'及'Collection and analysis of scRNA-seq datasets from immunotherapy' |
| 细胞生态系统亚型定义 | 亚群检出患者数阈值（≥25）、每例患者最少细胞数（150）、聚类方法（Ward.D）、最终纳入患者数（492） 阅读提示：Methods 'Identification of cellular ecosystems and patient stratification' |
| 恶性细胞状态与生态系统空间耦合验证 | 空间数据集数量与样本数（368份，26项研究）、RCTD模式（full）、恶性spot阈值（>0.1）、空间权重k值（6） 阅读提示：Methods 'Data collection and deconvolution of spatial transcriptomics datasets'及'Spatial association analysis between malignant cell states and cellular ecosystems' |
| 配体-受体相互作用推断 | CellPhoneDB置换检验P值阈值（<0.05）、空间通信模型来源（Xie et al.）、通信评分区域定义 阅读提示：Methods 'Inference of cell-cell communication from single-cell and spatial transcriptomic data' |