掃碼聯(lián)系客服
近些年，單細(xì)胞技術(shù)的興起為科研人員的精準(zhǔn)研究提供了堅實的基礎(chǔ)，單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)與公共大隊列數(shù)據(jù)的多組學(xué)整合已然成為癌癥治療研究的新熱點(diǎn)。與此同時，一個關(guān)鍵問題誕生了---如何更好地將兩種類型數(shù)據(jù)進(jìn)行整合從而挖掘重要癌癥的發(fā)生發(fā)展機(jī)制呢？接下來，小編將給大家介紹兩種不同的單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)與大隊列bulk轉(zhuǎn)錄組數(shù)據(jù)整合的算法：BayesPrism和Scissor
單細(xì)胞轉(zhuǎn)錄組測序聯(lián)合bulk轉(zhuǎn)錄組測序（整合篇）
一．BayesPrism算法介紹
下面我就先來具體介紹BayesPrism這項整合方法。為什么選擇這個方法呢？因為我覺得這個方法很有潛力，作者通過比較當(dāng)前主流的方法如CIBERSORT，證明BayesPrism方法從bulk RNA-seq數(shù)據(jù)集推斷單細(xì)胞細(xì)胞類型以及對整體基因表達(dá)變化的解析上具有比較明顯的優(yōu)勢。簡單來說，BayesPrism算法以scRNA-seq作為先驗信息，從bulk RNA-seq數(shù)據(jù)集中預(yù)測細(xì)胞類型的組成和基因表達(dá)。該文章主要對膠質(zhì)母細(xì)胞瘤（GBM）、頭頸部鱗狀細(xì)胞癌（HNSCC）和皮膚黑色素瘤（SKCM）進(jìn)行了整合分析，以將細(xì)胞類型組成與不同腫瘤類型的臨床結(jié)果相關(guān)聯(lián)，并探索惡性腫瘤細(xì)胞和非惡性細(xì)胞狀態(tài)的空間異質(zhì)性。
本篇文章發(fā)表在期刊: Nature Cancer 該期刊在最近一年的影響因子: 23.013。
1. BayesPrism算法研發(fā)背景
大量研究表明，腫瘤微環(huán)境（TME）中惡性細(xì)胞和不同類型的非惡性細(xì)胞之間的相互作用可以促進(jìn)血管生成、癌癥轉(zhuǎn)移和免疫抑制等。非惡性細(xì)胞在不同的患者和腫瘤類型之間存在顯著差異，某些非惡性細(xì)胞群常被用作臨床生物標(biāo)志物和治療靶點(diǎn)。單細(xì)胞轉(zhuǎn)錄組測序（scRNA-seq）技術(shù)的興起，使得在TME內(nèi)對單個細(xì)胞的轉(zhuǎn)錄組進(jìn)行直接的全基因組測量和表征其異質(zhì)性成為可能。然而，scRNA-seq的成本和對高質(zhì)量樣本的要求限制了可檢測的樣本的數(shù)量。此外，scRNA-seq在細(xì)胞捕獲中容易受到技術(shù)偏差的影響，這妨礙了細(xì)胞類型組成的復(fù)原。為了盡量規(guī)避以上問題，研究人員擬從bulk RNA-seq數(shù)據(jù)中推斷單細(xì)胞類型組成與基因表達(dá)。然而，現(xiàn)有的反卷積方法沒有完全支持異質(zhì)腫瘤細(xì)胞群體中基因表達(dá)的預(yù)測。因此，現(xiàn)有的方法未能解決這些關(guān)鍵問題：在TME中，惡性細(xì)胞如何影響非惡性細(xì)胞的組成？哪些基因與這些相互作用相關(guān)？為了回答這些問題，研究者創(chuàng)建模型，它可以準(zhǔn)確地表示每個bulk RNA-seq樣本中的細(xì)胞類型比例和細(xì)胞類型特異性基因表達(dá)譜。因此，該研究提出了BayesPrism，一個貝葉斯模型，使用scRNA-seq參考表達(dá)譜作為先驗信息，從bulk RNA-seq數(shù)據(jù)中推斷細(xì)胞類型組成和基因表達(dá)。
2. BayesPrism算法推斷細(xì)胞類型組成和細(xì)胞類型特異性基因表達(dá)
BayesPrism算法具體步驟：BayesPrism使用細(xì)胞狀態(tài)（cell state）、細(xì)胞類型、基因列表、bulk RNA-seq數(shù)據(jù)集樣本個數(shù)、bulk RNA-seq 表達(dá)矩陣以及單細(xì)胞表達(dá)矩陣作為輸入文件，先模擬出每個細(xì)胞狀態(tài)的基因表達(dá)矩陣和每個細(xì)胞狀態(tài)的比例，最后通過對每種細(xì)胞狀態(tài)的求和，估算出細(xì)胞類型的比例和各細(xì)胞類型特異的基因表達(dá)水平。
為了驗證BayesPrism估計細(xì)胞類型比例的效能，作者生成模擬數(shù)據(jù)，并發(fā)現(xiàn)BayesPrism在估計惡性腫瘤細(xì)胞比例方面比CIBERSORTx的效果更好（圖1 c, d）。同時，以PBMC scRNA-seq數(shù)據(jù)為參考數(shù)據(jù)集，相對于經(jīng)典的方法如CIBERSORTx S mode和MuSiC, BayesPrism 對B細(xì)胞、髓系細(xì)胞、CD4+ T 細(xì)胞、CD8+ T細(xì)胞以及NK細(xì)胞進(jìn)行了更準(zhǔn)確的細(xì)胞類型估計（圖1e,f）。總之，這些數(shù)據(jù)分析表明BayesPrism完善了現(xiàn)在的反卷積算法的性能。該研究在惡性細(xì)胞中使用BayesPrism算法，進(jìn)行跨患者異質(zhì)性的基因表達(dá)的預(yù)測。首先使用了來自8個GBM的scRNA-seq作為參考數(shù)據(jù)，估計了GBM bulk RNA-seq數(shù)據(jù)中的細(xì)胞類型和基因表達(dá),并發(fā)現(xiàn)bulk RNA-seq數(shù)據(jù)中惡性細(xì)胞的基因表達(dá)的估計與已知的真實表達(dá)高度相似（圖1g）。并且研究發(fā)現(xiàn)，當(dāng)腫瘤純度大于50%，BayesPrism基因表達(dá)估計值與已知基因表達(dá)真實值的相關(guān)性要大于0.95（圖1h）。這表明BayesPrism評估的基因表達(dá)可以準(zhǔn)確地從bulk樣本中復(fù)原惡性細(xì)胞中的基因表達(dá)，并且，使用BayesPrism對基因表達(dá)的估計要比使用CIBERSORTx或無反卷積更準(zhǔn)確（圖1h）。
3. 浸潤免疫細(xì)胞類型和狀態(tài)對生存的影響
該工作分析了TCGA中GBM、HNSCC和SKCM三種腫瘤的1142個bulk樣本中細(xì)胞類型的比例。利用GBM、HNSCC和SKCM三種腫瘤的單細(xì)胞參考數(shù)據(jù)集，估計了6種GBM細(xì)胞類型，10種HNSCC細(xì)胞類型，8種SKCM細(xì)胞類型（圖2a）。接下來，使用兩個Cox比例風(fēng)險模型檢查了細(xì)胞類型比例和生存率之間的關(guān)聯(lián)，與以往報道一致，在SKCM中，發(fā)現(xiàn)CD8+ T細(xì)胞和巨噬細(xì)胞比例與生存有更強(qiáng)的相關(guān)性（圖2b，c）。并且，根據(jù)M1和M2兩個巨噬細(xì)胞亞群的標(biāo)記基因, 發(fā)現(xiàn)而來自SKCM的M2型巨噬細(xì)胞評分最低，M1型巨噬細(xì)胞評分與來自HNSCC的巨噬細(xì)胞無顯著差異（圖2d）。此外，在SKCM中，巨噬細(xì)胞高M(jìn)1極化低M2極化狀態(tài)與生存率有極強(qiáng)的相關(guān)性（圖2e）。這些發(fā)現(xiàn)表明了巨噬細(xì)胞比例以及巨噬細(xì)胞狀態(tài)對不同惡性腫瘤具有不同臨床結(jié)果的影響。
4. BayesPrism識別惡性細(xì)胞固有基因程序
作者在BayesPrism中開發(fā)了一個模塊，在剔除非惡性細(xì)胞類型的基因表達(dá)后，用來推斷惡性細(xì)胞固有基因程序，該基因程序可以更好地解釋bulk RNA-seq數(shù)據(jù)中的表達(dá)異質(zhì)性（圖3a）。BayesPrism模擬得到的基因程序與對惡性細(xì)胞進(jìn)行因子分解得到的基因程序基本一致（圖3b）。BayesPrism識別到的每個基因程序的權(quán)重與每個腫瘤中分配給每個主要亞型的細(xì)胞比例相關(guān)（圖3c,d）。BayesPrism發(fā)現(xiàn)GBM中的幾個程序與以往的研究相似，包括program 3（classical和AC-like亞型），program 4（mesenchymal）和progam 5（proneural, OPC和NPC-like）（圖3e）。在HNSCC中，program 1富集了以往單細(xì)胞研究確定的Partial EMT亞型（圖3f）。在SKCM中，發(fā)現(xiàn)了多個生存相關(guān)的基因程序，以及一個T細(xì)胞排斥程序（圖3g-j）。
5. GBM基因程序和細(xì)胞類型的空間異質(zhì)性
作者將122個樣本的bulk RNA-seq GBM數(shù)據(jù)集解析為成5個空間結(jié)構(gòu): LE、IT、CT、MVP和PAN（圖4a）。值得注意的是，已知這些不同結(jié)構(gòu)的TME在血液供應(yīng)、氧水平和免疫應(yīng)激這幾個方面也呈現(xiàn)很大的不同，所有這些改變都可能影響細(xì)胞類型組成和惡性細(xì)胞狀態(tài)。利用GBM scRNA-seq數(shù)據(jù)進(jìn)行了反卷積，檢查在解剖結(jié)構(gòu)中，哪些細(xì)胞類型和基因程序富集（圖4b,c）。根據(jù)相應(yīng)的解剖結(jié)構(gòu)，正如預(yù)期的那樣，MVP區(qū)域在內(nèi)皮細(xì)胞和周細(xì)胞中高度富集，而LE和IT區(qū)域在少突膠質(zhì)細(xì)胞和神經(jīng)元中富集。值得注意的是，PAN區(qū)域在巨噬細(xì)胞和T細(xì)胞中富集。將解剖結(jié)構(gòu)與基因程序聯(lián)系起來，發(fā)現(xiàn)LE和IT區(qū)域在program 1和2中富集，CT區(qū)域在program 3中富集，PAN區(qū)域在program 4和program 5中富集，MVP區(qū)域在program 4和program 5中富集。并且發(fā)現(xiàn)，CT和MVP區(qū)域具有高度的增殖能力，與它們在program 3和program 5中的富集一致，這些program在細(xì)胞增殖中富集。MVP和PAN都富含組織重塑和免疫相互作用（program 4），而MVP更具有血管生成性，PAN更具有炎癥性。IT和LE都是富集了呼吸鏈復(fù)合物組裝通路的，LE是具有最強(qiáng)的呼吸鏈復(fù)合物組裝能力、但是具有較低的增殖能力，這解釋了它們在program 1中的富集。IT也在促炎免疫過程中富集，尤其是干擾素反應(yīng)（圖4 d）。綜上所述，BayesPrism可以將基因程序與空間解剖結(jié)構(gòu)聯(lián)系起來。
6.小結(jié)
在這里，作者通過開發(fā)一個嚴(yán)格的統(tǒng)計模型來整合scRNA-seq和bulk RNA-seq數(shù)據(jù)，進(jìn)行綜合分析也為疾病進(jìn)展提供了新的見解。以GBM為例，聯(lián)合分析bulk RNA-seq隊列和空間解剖數(shù)據(jù)，提出了一個將惡性細(xì)胞狀態(tài)和非惡性細(xì)胞浸潤與腫瘤進(jìn)展聯(lián)系起來的模型（圖4e）。當(dāng)惡性細(xì)胞快速生長時，它們會消耗營養(yǎng)物質(zhì)，也可能遇到免疫壓力，導(dǎo)致壞死（圖4e）。與此相一致，觀察到免疫細(xì)胞和間充質(zhì)program 4的富集，在PAN區(qū)域顯示更強(qiáng)的間充質(zhì)激活和更低的呼吸活性（圖4b,c）。惡性細(xì)胞可能激活這些組織重塑通路，促進(jìn)M2巨噬細(xì)胞極化和血管生成。隨著微血管結(jié)構(gòu)的發(fā)展，惡性細(xì)胞迅速增殖（圖4e），MVP附近惡性細(xì)胞的細(xì)胞周期評分較高（圖4d）。增殖細(xì)胞侵入鄰近的正常腦組織，那里的氧氣供應(yīng)充足。在此過程中，它們的主要任務(wù)從快速增殖轉(zhuǎn)變?yōu)楹粑饔茫援a(chǎn)生合成必要分子機(jī)制所需的ATP（圖4e）。這一發(fā)現(xiàn)是基于LE和IT結(jié)構(gòu)中呼吸通路的富集（圖4d）。最后，隨著局部氧水平的降低，惡性細(xì)胞恢復(fù)快速增殖。該研究還表明，program 3可能反映了血液供應(yīng)充足的癌癥生長的早期階段。綜上所述，該模型說明了GBM細(xì)胞如何重塑和響應(yīng)局部微環(huán)境的變化以適應(yīng)自身生長。與以前的方法相比，BayesPrism更準(zhǔn)確地將bulk RNA-seq解析為細(xì)胞類型的比例和基因表達(dá)，從而深入了解腫瘤與微環(huán)境的相互作用。
二．Scissor算法介紹
下面我再具體介紹一下Scissor這項整合方法。為什么選擇這個方法呢？因為我覺得這個方法很具有創(chuàng)新性，作者開發(fā)了Scissor算法根據(jù)bulk RNA-seq數(shù)據(jù)的表型信息從單細(xì)胞數(shù)據(jù)識別特定的細(xì)胞亞群。在肺癌scRNA-seq數(shù)據(jù)集中，Scissor確定了與生存率較差和TP53突變相關(guān)的細(xì)胞亞群。在黑素瘤中，Scissor發(fā)現(xiàn)一個與免疫治療應(yīng)答相關(guān)的低PDCD1/CTLA4和高TCF7表達(dá)的T細(xì)胞亞群。
本篇文章發(fā)表在期刊: Nature Biotechnology 該期刊在最近一年的影響因子: 54.908，水平很高。
1. Scissor算法研發(fā)背景
單細(xì)胞測序技術(shù)使復(fù)雜組織細(xì)胞的綜合表征成為可能，從而使生物醫(yī)學(xué)研究和臨床實踐發(fā)生了革命性的變化。與測量整個組織平均特性的bulk數(shù)據(jù)相比，scRNA-seq允許在異質(zhì)組織生態(tài)系統(tǒng)中識別不同細(xì)胞亞群的細(xì)胞類型和狀態(tài)。要從單細(xì)胞數(shù)據(jù)中識別關(guān)鍵亞群，標(biāo)準(zhǔn)方法是執(zhí)行無監(jiān)督聚類來定義細(xì)胞群，并評估已知細(xì)胞類型和通路中標(biāo)記基因的富集情況，以評估每個細(xì)胞集群的重要性。然而，識別驅(qū)動表型（如疾病階段、腫瘤轉(zhuǎn)移、治療反應(yīng)和生存結(jié)果）的細(xì)胞亞群具有不可缺少的重要性，因為它將促進(jìn)細(xì)胞類型靶向治療和預(yù)后生物標(biāo)志物的發(fā)現(xiàn)。Scissor的新穎之處在于，它使用來自bulk數(shù)據(jù)的表型信息來識別與疾病高度相關(guān)的細(xì)胞亞群，進(jìn)而揭示疾病機(jī)制，提高疾病的診斷和治療。
2. Scissor算法基本流程
Scissor算法具體步驟：Scissor使用單細(xì)胞表達(dá)矩陣、bulk表達(dá)矩陣和感興趣的表型（圖5a）。每個樣本的表型注釋可以是一個連續(xù)的因變量、二元分類向量或臨床生存數(shù)據(jù)。Scissor的關(guān)鍵步驟是量化單細(xì)胞數(shù)據(jù)和批量數(shù)據(jù)之間的相似性，通過測量，如每對細(xì)胞和批量樣本的皮爾遜相關(guān)性。在這之后,剪刀優(yōu)化與樣本表型相關(guān)矩陣的回歸模型（圖5b）。回歸模型的選擇取決于輸入表型的類型，例如，連續(xù)變量的線性回歸，二分變量的logistic回歸和臨床生存數(shù)據(jù)的Cox回歸。根據(jù)估計回歸系數(shù)的符號，系數(shù)為非零的細(xì)胞可表示為剪刀陽性（Scissor+）細(xì)胞和剪刀陰性（Scissor?）細(xì)胞，它們分別與感興趣的表型呈正相關(guān)和負(fù)相關(guān)（圖5c）。此外，為了控制單細(xì)胞和bulk數(shù)據(jù)之間的虛假關(guān)聯(lián)，設(shè)計了一個可靠性顯著性檢驗，以確定所選數(shù)據(jù)是否適合的表型-細(xì)胞關(guān)聯(lián)（圖5d）。最后，Scissor選擇的細(xì)胞將在下游分析中進(jìn)一步表征，如特征基因和功能富集途徑的探索（圖5e）。
首先評估了Scissor在一系列模擬數(shù)據(jù)集上的性能，結(jié)果表明Scissor識別的與已知的表型相關(guān)的細(xì)胞亞群與真實結(jié)果在很大程度上是一致的（圖5f, g, h）。
3.識別正常和腫瘤表型相關(guān)的細(xì)胞亞群
使用577個TCGA-LUAD bulk樣本中的腫瘤和正常表型對肺癌單細(xì)胞數(shù)據(jù)進(jìn)行Scissor分析。在29,888個來自不同細(xì)胞類型的細(xì)胞中（圖5i）， Scissor選擇了361個Scissor+細(xì)胞和534個Scissor?細(xì)胞，它們與腫瘤和正常表型具有高置信關(guān)系（圖5j）。正如預(yù)期，超過98%的Scissor+細(xì)胞被證實為惡性細(xì)胞（圖5k）。至于Scissor?細(xì)胞，主要分布于非惡性細(xì)胞類型中（圖5k）。髓系細(xì)胞和肺泡細(xì)胞是兩種主要選擇的細(xì)胞類型，分別占Scissor?細(xì)胞總數(shù)的42.3%和36.9%。剪刀細(xì)胞中的所有細(xì)胞類型，尤其是肺泡細(xì)胞，都是正常肺組織中的重要細(xì)胞類型。因此，這些分析證明了Scissor可以從單細(xì)胞數(shù)據(jù)中準(zhǔn)確地識別出表型相關(guān)的細(xì)胞。
4. 發(fā)現(xiàn)低氧亞群與較差的生存
使用Scissor，基于帶有生存信息的471個TCGA-LUAD bulk樣本為識別肺癌scRNA-seq數(shù)據(jù)集中具有侵襲性的癌細(xì)胞亞群。這些細(xì)胞被分離成12個Cluster（圖6a）。在205個Scissor選擇的細(xì)胞中，201個Scissor+細(xì)胞與較差的存活率相關(guān)（定義為Scissor_WS細(xì)胞），只有4個Scissor?細(xì)胞與良好的存活率相關(guān)（圖6b）。Scissor_WS細(xì)胞為主要來自Cluster 1和Cluster 3（圖6c）。差異基因分析顯示，與其他所有細(xì)胞相比，Scissor_WS細(xì)胞中分別有23個上調(diào)基因（有多個重要的缺氧相關(guān)基因）和205個下調(diào)基因差異表達(dá)（圖6d，e）。功能富集分析也證實了缺氧相關(guān)的通路，如糖酵解和糖代謝通路在Scissor_WS細(xì)胞中被激活（圖6f）。并發(fā)現(xiàn)在獨(dú)立的GEO數(shù)據(jù)集中，特征分?jǐn)?shù)高的患者預(yù)后明顯差于簽名分?jǐn)?shù)低的患者（圖6g）。并在單因素Cox生存分析中，發(fā)現(xiàn)只有病理分期和Scissor_WS特征與患者生存顯著相關(guān)（圖6h）。此外，在對多變量Cox生存分析中的腫瘤分期進(jìn)行調(diào)整后，Scissor_WS特征在兩個數(shù)據(jù)集中仍然具有統(tǒng)計學(xué)意義（圖6i）。總之，Scissor算法從LUAD scRNA-seq數(shù)據(jù)中發(fā)現(xiàn)了一個具有侵襲性的癌細(xì)胞亞群，該亞群與較差的生存結(jié)果相關(guān)，其特征是缺氧相關(guān)基因的過度表達(dá)。高度缺氧信號可能會推動LUAD進(jìn)展，從而給腫瘤中含有大量此類細(xì)胞的患者帶來不良結(jié)果。
5. 分析與TP53突變相關(guān)的細(xì)胞亞群
基于TCGA-LUADTP53突變狀態(tài)（突變型或野生型）作為表型特征來指導(dǎo)對肺癌單細(xì)胞數(shù)據(jù)的細(xì)胞亞群的鑒定。Scissor共鑒定了414個與TP53突變相關(guān)的Scissor+細(xì)胞和318個與野生型相關(guān)的Scissor?細(xì)胞（圖7a）。差異基因分析顯示Scissor+細(xì)胞上調(diào)337個基因包括E2F靶基因和細(xì)胞周期進(jìn)展相關(guān)基因，如AURKA、CDK1、CCNB2和TOP2A（圖7b）。功能富集分析也證實了E2F等細(xì)胞周期相關(guān)的通路在Scissor+細(xì)胞中被激活（圖7c）。轉(zhuǎn)錄因子分析顯示，在Scissor+細(xì)胞中，E2F轉(zhuǎn)錄因子家族成員E2F1和E2F4的活性均顯著升高（圖7d），然而TP53在Scissor+細(xì)胞中是失活的（圖7d）。此外，通過關(guān)聯(lián)這337個上調(diào)基因（定義為TP53突變特征）與臨床結(jié)果，證明TP53突變評分較高的患者預(yù)后明顯較差（圖7e）。該研究還發(fā)現(xiàn)MHC類相關(guān)基因HLA-A、B2M和CD74在Scissor+細(xì)胞中均下調(diào)（圖7f）。并已有報道稱在免疫治療耐藥的癌癥患者中B2M的功能喪失突變。因此，Scissor的表型分析表明TP53突變可能是檢查點(diǎn)抑制劑治療耐藥性的一個機(jī)制。
6.鑒定與免疫治療相關(guān)的T細(xì)胞亞群
為了了解免疫檢查點(diǎn)阻斷治療（ICB）反應(yīng)的機(jī)制，對黑素瘤scRNA-seq數(shù)據(jù)集中的T細(xì)胞以及已知免疫治療反應(yīng)信息的黑素瘤患者的bulk RNA-seq數(shù)據(jù)進(jìn)行了Scissor分析，以識別與ICB反應(yīng)相關(guān)的T細(xì)胞亞群。在scRNA-seq數(shù)據(jù)分析中，這些T細(xì)胞被聚集成6個Cluster（圖8a）。通過使用Scissor算法，確定了105個T細(xì)胞為Scissor+細(xì)胞，這些細(xì)胞與良好的免疫治療反應(yīng)相關(guān)（定義為Scissor_FR細(xì)胞）（圖8b）,這105個Scissor_FR細(xì)胞主要分布在Cluster 2和Cluster 3中（圖8c）。差異基因分析表明Scissor_FR細(xì)胞增加了與T細(xì)胞記憶相關(guān)基因（CCR7， SELL和IL7R）的表達(dá)以及低表達(dá)抑制基因（HAVCR2, LAG3, PDCD1和CTLA4）和MHC II類基因（HLA-DRB5, HLA-DRB1, HLA-DPA1, HLA-DQB2和HLA-DRB6）（圖8d,e）。同時，Scissor_FR細(xì)胞也表現(xiàn)出轉(zhuǎn)錄因子TCF7的表達(dá)增強(qiáng)，這與ICB治療的良好結(jié)果相關(guān)（圖8e）。此外，富集分析顯示，Scissor_FR細(xì)胞TNF-α信號通路較高，CTLA4、PD1信號通路活性較低（圖8f）。以上與有效免疫治療應(yīng)答相關(guān)的差異表達(dá)基因（定義為免疫治療應(yīng)答特征）可以用于預(yù)測治療應(yīng)答率。該研究發(fā)現(xiàn)有ICB應(yīng)答者的簽名分?jǐn)?shù)明顯高于無ICB應(yīng)答者（圖8g）。此外，免疫治療應(yīng)答信號中上調(diào)和下調(diào)的基因在應(yīng)答者和非應(yīng)答者中也顯著富集（圖8h）。進(jìn)一步評估了五種不同分化狀態(tài)的腫瘤浸潤淋巴細(xì)胞的免疫治療反應(yīng)特征，發(fā)現(xiàn)LAG3-low/PD1-low效應(yīng)CD8 T細(xì)胞和記憶前體CD8 T細(xì)胞的特征評分最高（圖8i，j）。這一結(jié)果表明，Scissor_FR細(xì)胞更像PD1-low記憶前體細(xì)胞，具有較高的TCF7表達(dá)，并與良好的免疫治療反應(yīng)有關(guān)。總之，對黑色素瘤scRNA-seq數(shù)據(jù)集的Scissor分析獨(dú)立揭示了PDCD1/CTLA4低和TCF7高T細(xì)胞亞群，其獨(dú)特的轉(zhuǎn)錄組特征對免疫治療的良好反應(yīng)至關(guān)重要。
三．小編總結(jié)
通過使用BayesPrism算法整合，既可以解析大樣本隊列的細(xì)胞類型的比例，又能獲得細(xì)胞特異的基因表達(dá)，通過使用Scissor算法整合，可以獲得與臨床表型緊密相關(guān)的細(xì)胞群體。總而言之，單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)和bulk轉(zhuǎn)錄組數(shù)據(jù)：優(yōu)勢互補(bǔ)，將單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)和bulk轉(zhuǎn)錄組數(shù)據(jù)進(jìn)行有效結(jié)合，將以全新研究思路出發(fā)，會發(fā)現(xiàn)更多未知且精細(xì)化結(jié)果。
