在一些癌症的研究中已经发现肿瘤恶性细胞间具有很强的转录异质性,同时具有不同的细胞状态,然而目前还不清楚这些状态是否会跨越肿瘤类型构成了癌症的一般特征。因此小编今天和大家分享一篇今年八月刚刚发表在Nature Genetics(IF:41.307)杂志上的使用单细胞数据研究泛癌中肿瘤细胞状态的文章。文章在单细胞水平上对泛癌微环境中反复出现的肿瘤细胞状态进行了刻画,角度新颖、简洁易懂,无论是方法还是逻辑都值得小伙伴们参考。
Cancer cell states recur across tumor types and form specific interactions with the tumor microenvironment
多个癌型中反复出现的肿瘤细胞状态及肿瘤微环境特定的相互作用
一.文章背景
如今越来越多的研究认为癌症的转录异质性可能是肿瘤进展、转移和治疗失败的驱动因素。而且针对胶质母细胞瘤、少突胶质细胞瘤、星形细胞瘤、头颈癌和黑色素瘤等癌症的数据分析也发现肿瘤内癌细胞的分化程度具有异质性。此外,多种癌症的研究也表明癌细胞状态与应激反应、干扰素反应和缺氧等相关,且肿瘤微环境(TME)的特定细胞类型与癌细胞状态之间也有关联。因此这篇文章对TME中癌细胞状态与非恶性细胞类型之间的关系进行了系统的研究。
二.文章摘要
该研究对15种癌症进行了泛癌症单细胞RNA测序(scRNA-seq)分析,并识别了一系列基因模块,这些基因模块的表达定义了癌症中细胞反复发生的状态。研究也进行了空间转录组分析将肿瘤细胞的干扰素反应与肿瘤微环境中的T细胞和巨噬细胞联系起来。此外,作者也利用小鼠模型进一步发现干扰素应答模块的诱导因肿瘤位置的不同而异,并且在淋巴细胞消除后降低。
三.文章的主要内容及结果
1. 不同癌症类型中反复出现的基因模块
在文章第一部分,作者对不同癌症类型中反复出现的基因模块进行了识别。研究收集了卵巢癌(OVCA)、子宫内膜癌(UCEC)、乳腺癌(BRCA)、前列腺癌(PRAD)、肾癌(KIRC)、肝癌(LIHC)、结肠癌(COAD)和胰腺癌(PDAC),以及胃肠间质瘤(GIST)9种癌症类型的19个未经治疗的原发患者的scRNA-seq数据(图1a),并通过结合标记基因、singleR注释和推断的拷贝数确定了恶性细胞(图1b-c)。作者还在之前发表的PDAC和LIHC以及胆管癌(CHCA)、肺腺癌(LUAD)、头颈部鳞状细胞癌(HNSC)、皮肤鳞状细胞癌(SKSC)、多形性胶质母细胞瘤(GBM)和少突胶质细胞瘤(OGD)中进行了这一分析,最终研究纳入了15种癌症的62个未经治疗的原发肿瘤的共计19942个恶性细胞(图1a)。研究定义细胞状态的方法首先是对基础基因模块进行编目,将基因模块确定为细胞状态的定义特征,接着使用非负矩阵分解(NMF)分析恶性细胞,来识别作为共表达基因集的基因模块(图1d)。为了在肿瘤中寻找重复出现的基因模块,作者比较了识别模块的基因组成(图1e),结果发现一个干扰素反应模块广泛出现。研究也发现了与代谢过程相关的两个模块:缺氧模块和氧化磷酸化模块及另一组与上皮细胞标志物重叠的模块:肺泡细胞模块,以及基底细胞模块、鳞状细胞模块和腺细胞模块。研究还在OVCA、UCEC、LUAD和GBM中发现一组纤毛相关基因组成的模块及两个与上皮-间充质转化(EMT)相关的跨越多种癌症的模块:完整的间充质模块(cEMT)和部分间充质模块(pEMT),这些模块可能代表了两种途径:迁移和耐药。最后,研究确定了三个神经系统癌症特异性模块:星形胶质细胞(AC)样模块、少突胶质细胞祖细胞(OPC)样模块和神经祖细胞(NPC)样模块(图1f)。
2. 用基因模块表达定义癌细胞状态
在文章的第二部分,作者试图在单个细胞水平解析基因模块,并对恶性细胞的每个模块表达情况进行评分(图2a)。研究对收集的19个不同肿瘤的细胞降维分析发现癌细胞不是依据患者或癌症类型分组,而是根据其表达最高的模块进行分组(图2b,c)。此外,作者还在某些模块间检测到一些共表达,如pEMT与应激和干扰素应答共表达(图2a,d)。研究也发现在所有癌症类型中,pEMT模块的表达频率均高于正常(图2e),这与肿瘤进展中EMT的常见发生一致,而干扰素应答模块在LUAD和SKSC中的表达频率也相对增加(图2e)。
3. 肿瘤细胞邻域的癌细胞状态分析
在这一部分,作者使用空间转录组(ST)数据对肿瘤细胞状态和TME细胞之间的相互作用进行了分析。由于ST不能达到单细胞分辨率,因此研究使用来自成对单细胞数据的细胞类型的平均表达谱进行非负线性最小二乘(NNLS)回归,并将点注释为“Malignant”(恶性细胞)、“Normal”(仅包含免疫细胞和基质细胞)和“Both”(混合细胞)(图3a)。结果发现,在“Malignant”细胞点中,内皮细胞的比例较低(图3b),而“Both”点的中性粒细胞数量较多(图3c)。接着作者对每个含有巨噬细胞的点进行了M1/M2极性评分(图3d),结果在6个妇科样本(卵巢癌,子宫内膜癌和乳腺癌)中发现M1/M2中的“Both”点高于“Normal”点,这表明巨噬细胞在靠近癌细胞时具有强大的抗肿瘤活性。接下来作者试图在癌细胞状态方面解析细胞邻近区域的组成,绘制了每个ST样本中的癌细胞状态,并对每个“Malignant”点的每个模块的表达进行评分(图4a)。作者为了刻画每个“Malignant”点周围的细胞类型组成,计算了每个细胞类型的两个评分指数:1)邻域分数:为包含该细胞类型的周围点的分数(图4b);2)接近分数:是感兴趣点离每种类型细胞的最短距离的倒数(图4c)。接着研究将每个肿瘤的“Malignant”点的模块评分和细胞类型的邻域相关联,揭示TME中癌细胞状态和细胞类型共定位形成的邻域(图4d)。研究也发现模块评分和巨噬细胞邻近区域评分之间显著相关(图4e),且使用接近分数计算巨噬细胞时也观察到一致的关系(图4f)。接下来为了在所有样本中探索这一关系,作者计算了巨噬细胞邻近区域的相关评分(图4g),结果发现在所有的样本中,其与干扰素反应正相关。作者也将这一分析扩展到所以细胞类型和模块(图4h,i),结果发现与TME细胞类型一致的其他细胞状态共定位。这表明,癌细胞状态与TME相互作用或是由免疫细胞及基质细胞诱导,或是通过改变其周围的细胞类型组成实现。
4. TME对干扰素反应的调节
在文章最后一部分作者对干扰素反应和TME中的T细胞之间的关系进行了分析。研究建立了一个TME容易被干扰的同种异体移植小鼠肿瘤模型,对4个原位胰腺肿瘤进行scRNA-seq,来验证基因模块。接着作者使用NMF识别基因模块,结果发现循环、应激反应、干扰素反应、缺氧和腺分化5个基因模块在这个系统中重现(图5a,b)。同时,作者从Rag1 - / -小鼠中形成的4个原位肿瘤(缺乏T和b细胞)收集了scRNA-seq数据,分析这些肿瘤恶性细胞的基因模块表达,结果发现发现Rag1 - / -和野生型(WT)小鼠在循环、应激反应、缺氧和腺分化方面的表达频率相似(图5c),干扰素应答模块的表达频率较低(图5 d)。此外,与其他癌细胞相比,干扰素应答模块的所有基因在表达干扰素应答的细胞中均上调,且在Rag1 - / -小鼠中干扰素应答模块的MHCI基因的总体表达较低,这表明淋巴细胞清除对不依赖于干扰素应答的MHCI基因的表达有额外的影响。研究也发现干扰素应答细胞的频率也因肿瘤位置而异(图5e、f)。
到这里这篇文章的主要内容就介绍完了,小编觉得文章亮点在于整合了多个癌症类型的scRNA-seq数据,重点关注了泛癌恶性细胞的细胞状态,并对在多个癌症类型中反复出现的细胞状态与肿瘤微环境的关联进行了分析。文章逻辑清晰、简洁明了、角度新颖,对单细胞或者泛癌分析感兴趣的小伙伴们一定不要错过。