1.泛癌研究
2023年5月31日，《NATURE》发表的《Hallmarks of transcriptional intratumour heterogeneity across a thousand tumours》详细的收集、注释和整合了来自77项不同研究的数据，汇总了来自24种肿瘤类型的1,163个肿瘤样本，该文章并没有如常规的分析方法对样本进行合并，降维分群。事实上由于这些样本来自于不同的项目，并且不同的组织类型间的表达谱差异较大，进行常规的整合难度是十分大的。所以作者选择了一种另辟蹊径的分析方式，作者在区分出恶性与非恶性的细胞之后，在不同的组织间使用非负矩阵分解（NMF）来确定不同的表达模式，同时将这些表达模式通过聚类分为41个集群。同时对于每个集群，一个MP被定义为来自该集群的程序之间最常共享的一组基因。在所有恶性细胞中，54%显著富集于至少一种MP。接下来，根据MPs的功能富集情况对其进行注释，作者将具有相关功能的MPs合并并手动分为11个MP家族。作者发现9个MPs与体外观察到的相似，16个与来自较小肿瘤的队列相似，其中还有25个是新发现的。接下来作者基于这些MPs（共识元程序）的特征在不同组织的癌肿中做了一系列泛癌水平的挖掘分析，详细的描述了这些MPs的功能，与临床的相关性以及上下文特异性等一些列特征。
2.肝肿瘤免疫微环境亚型与中性粒细胞异质性
2022年11月9 日，《NATURE》发表的《Liver tumour immune microenvironment subtypes and neutrophil heterogeneity》收集了124例肝癌患者的癌、癌旁及外周血样本，其中覆盖了三种组织学亚型，包括肝细胞癌（HCC）、肝内胆管癌（ICC）与混合性肝细胞和胆管癌（CHC）。在获得的1092172个细胞中，共鉴定出89个TIME细胞簇。为了研究PLC的TIME亚型，作者检测了来自肿瘤组织的细胞的共富集模式。使用层次聚类确定了五个可靠的细胞群模块（CM1–CM5）。在CM1–CM5差异富集的基础上，作者将患者分为五种相应的TIME亚型。基于这种分析方法，作者接下来详细的描述了这五个模块的特征，例如CM1包含激活的髓系和T细胞群集，其中包括富含免疫调节分子的成熟树突状细胞（DC_03_LAMP3）、CXCL9+巨噬细胞（Mph_06_CXCL9）、T辅助型1样细胞（CD4T_07_CXCL13）和耗竭的T细胞，并且高表达IFNG、GZMB和PDCD1等基因，以及富含“共同激活分子”和“检查点分子”的特征，表明CM1主导的患者呈现出免疫激活状态，因此被称为TIME-IA（免疫激活型）。作者将这种分类方案命名为TIMELASER，用于描述单细胞分辨率的肿瘤免疫微环境亚型，包括免疫激活、抑制、排斥和驻留表型。并且基于生存分析验证这种分型是有意义的，接下来作者还在其他的scRNA-seq数据和bulk-RNA数据进行了进一步的验证，已说明该分型方法的普适性。读到这，大家应该可以看出，这种分析方法和第一篇文章中的方法具有异曲同工之妙，并不是拘泥于细胞分类，而是用基于细胞的表达特征聚类，从而基于这些特征来说事。这种分析方法可以避免在百万级细胞尺度下分析的难点。并且使得分析出的结果更加清晰。
除此之外，在本文中，作者还对中性粒细胞做了详细的研究。作者首先验证了PLC中中性粒细胞的存在，并且发现ICC中的中性粒细胞明显多于HCC。作者将34307个中性粒细胞分为11个亚群，这些亚群表现出明显的组织分离和癌症类型偏好。Neu_02_S100A12、Neu_03_ISG15和Neu_04_TXNIP主要是外周血中性粒细胞（PBN），而Neu_05_ELL2和Neu_06_PTGS2主要是邻近的肝中性粒细胞。其他六个亚群（Neu_01_MMP8、Neu_07_APOA2、Neu_08_CD74、Neu_09_IFIT1、Neu_10_SP1和Neu_11_CCL4）在肿瘤中富集，这些中性粒细胞指定为TAN。发育轨迹分析揭示了从PBN到ALN，再到TAN的清晰的顺序分化路径。同时作者还发现有三个TAN亚群与较差的预后相关，表明这些TAN的促肿瘤功能。接下来作者着重挑选了其中的亚群做了进一步分析，例如分析Neu_11_CCL4表明病人来源的TANs具有更强的CCL4活化水平，并且通过趋化实验说明其可以招募单核细胞。同时作者还发现TANs中还高表达CD274（PD-L1），并且通过实验证明这些 TANs可以抑制T细胞的活性，总之作者通过对中性粒的详细分析，结合实验共同表明了大部分肿瘤相关的中性粒的促癌作用。基于以上的文章结构可以看出，大队列的研究中，由于细胞数量巨大，并非要把所有细胞类型面面俱到的详细表述，基于特定一种之前没有详细研究的细胞类型做深入的工作，并且结合实验来验证发现，效果也是十分出色的。
3. 人类乳腺癌的单细胞及空间分辨率图谱
2021年9月06日，《Nature Genetics》发表了《A single-cell and spatially resolved atlas of human breast cancers》，该研究整合了26例原发肿瘤（11例ER+、5例 HER2+ 和10例TNBC）共130246个单细胞进行分析。作者提出一种SCSubtype，用于单细胞RNA测序数据的内在亚型分类方法，由于无监督聚类不能用于发现肿瘤之间反复出现的肿瘤细胞基因表达特征，作者好奇是否可以使用已建立的PAM50方法对细胞进行分类。由于单细胞数据固有的稀疏性，作者开发了一种适用于单细胞RNA测序的内在分子亚型方法。通过对肿瘤细胞和差异基因表达进行了成对整合以确定4组基因，这些基因可以用来定义单细胞的衍生分子亚型（89个基因，Basal_SC；102个基因，HER2E_SC；46个基因，LumA_SC；65个基因，LumB_SC），作者将这些基因定义为SCSubtype。其中仅有四个基因与原始的PAM50基因列表重叠（ACTR3B、KRT14、ERBB2、GRB7）。对于给定的细胞，其亚型定义基于最大的SCSubtype分数。然后，基于主要的细胞亚型，分配了一个整体的肿瘤亚型。作者接下来对这亚型定义方法做了一系列的研究与验证。除此之外，先前的方法依赖于bulk的分子亚型的先验知识来开发分类器。作者在单细胞的分辨率下以无监督的方式调查了驱动肿瘤内转录异质性（ITTH）的生物途径，使用至少有50个肿瘤细胞的肿瘤的综合聚类，生成了574个ITTH基因特征。根据这些基因特征的Jaccard相似性确定了七个基因模块（GMs）。每个GM由200个基因定义，这些基因在ITTH基因特征和单个肿瘤中的出现频率最高。基因集富集分析识别出这些基因模块的共享和独特的功能特征。GM4在细胞周期和增殖通路富集，由包括MKI67、PCNA和CDK1等基因驱动。GM3主要富集于干扰素应答（IFITM1/2/3、IRF1）、抗原呈递（B2M；HLA-A/B）和上皮间质转化（EMT、VIM、ACTA2）。GM1和GM5显示了雌激素应答途径的特征，并且GM1还富集于缺氧、肿瘤坏死因子-α和p53信号传导以及凋亡。
接下来作者在所有的肿瘤细胞中计算了这些GM的评分，并且基于这些评分做了层级聚类，通过与之前SCSubtype的分类相比，作者既发现了共性，也发现了更多的分子亚型。分配给GM1和GM5的细胞主要富集管腔亚型，而GM1几乎完全由LumA细胞组成，GM5主要由LumB细胞组成。总之，基于这些分子分型可以拓展对于肿瘤异质性的研究。回过头看今天介绍的三篇文章，都应用了基因集与分型的研究。表明了在大规模的细胞数的单细胞项目中，基于基因集特征进行分型可以取到事半功倍的效果，让思路变得清晰明朗。
虽然大样本的单细胞项目需要投入的费用和精力是巨大的，BD Rhapsody在单细胞领域不断探索，基于最新的技术可以在同一次实验中获得转录组、蛋白组、免疫组库(VDJ)和多样本分析结果，极大的节约了客户的成本与精力。
来源于优宁维药物研发官网
