1. 這項研究真正解決了什么問題剛看到這個標題的時候我其實并不意外。食管癌免疫治療這幾年熱得發(fā)燙但真正用單細胞測序把免疫治療前后腫瘤微環(huán)境變化講透的研究一只手數(shù)得過來。Cancer Cell 上這篇多機構(gòu)聯(lián)合的食管癌免疫治療研究恰好補上了這塊拼圖。這項研究的核心邏輯其實非常樸素既然免疫治療在食管癌里有效果但又不是每個人都有效那就把治療前后、有效無效的患者腫瘤組織拿來測一測看看腫瘤微環(huán)境里到底發(fā)生了什么變化。而它選擇的技術(shù)路徑是 scRNA-seq單細胞轉(zhuǎn)錄組測序加上 Bulk RNA-seq批量轉(zhuǎn)錄組測序雙組學(xué)聯(lián)合用單細胞數(shù)據(jù)找機制、找細胞亞群再用大樣本 bulk 數(shù)據(jù)做驗證、做分層。這么做的好處非常明顯單細胞測序的分辨率高能把腫瘤組織里的免疫細胞、基質(zhì)細胞、腫瘤細胞逐個拆開看但它貴、樣本量小、噪聲大Bulk RNA-seq 雖然只能看到組織整體的平均信號但勝在便宜、樣本量大、適合做統(tǒng)計推斷。兩者互補形成了一條從單細胞發(fā)現(xiàn)到大隊列驗證的完整閉環(huán)。簡單說單細胞負責(zé)“找到線索”bulk 負責(zé)“證明線索”。適合誰來讀這篇研究如果你正在做腫瘤免疫相關(guān)的生信分析尤其是想做單細胞和 bulk 聯(lián)合分析的這篇文章的分析框架可以直接當作模板抄作業(yè)。如果你是臨床醫(yī)生想理解免疫治療響應(yīng)的內(nèi)在機制這篇文章也會給你一個很清晰的免疫學(xué)圖景。2. 研究設(shè)計思路拆解為什么要這么做2.1 多機構(gòu)聯(lián)合的價值不在于堆樣本而在于壓偏倚很多人看到“多機構(gòu)聯(lián)合”第一反應(yīng)是樣本量大、統(tǒng)計功效高。這話對了一半。多中心隊列真正的價值在于壓偏倚——單中心的免疫治療隊列患者的入組標準、治療方案、樣本處理流程都是同一個體系雖然內(nèi)部一致性高但結(jié)論很容易被單中心特有的人群特征帶偏。多機構(gòu)聯(lián)合可以把地域差異、人群遺傳背景差異、甚至不同醫(yī)院的樣本處理差異都攤開來讓結(jié)論更接近普適規(guī)律。這項研究在實驗設(shè)計上值得注意的一個細節(jié)是它同時納入了治療前和治療中的配對樣本。這一點很關(guān)鍵。很多免疫治療研究只看治療前的基線特征試圖用基線數(shù)據(jù)預(yù)測療效但腫瘤微環(huán)境是動態(tài)變化的治療過程中發(fā)生的免疫重塑往往是療效的直接體現(xiàn)。有了治療前、治療中的配對樣本才能回答“免疫治療到底在腫瘤微環(huán)境里做了什么”這個問題。配對樣本的分析還有一個容易被忽略的優(yōu)勢——每個患者可以作為自己的對照這樣可以大幅降低個體間異質(zhì)性帶來的噪聲。不同患者的基線免疫狀態(tài)差異非常大直接用組間比較變異來源太雜配對設(shè)計相當于做了一個患者層面的自身對照信號檢測靈敏度會明顯提升。2.2 為什么用 scRNA-seq Bulk RNA-seq 雙組學(xué)而不是單用其中一種單純用 scRNA-seq 做的免疫治療研究已經(jīng)很多了但這個技術(shù)有一個結(jié)構(gòu)性短板單細胞測序從組織解離到建庫每一步都有損耗和偏好。某些細胞類型比如中性粒細胞在解離和凍存過程中極易丟失導(dǎo)致單細胞數(shù)據(jù)里這類細胞的占比被嚴重低估。另一個短板是成本。以目前的市場價格一個樣本的單細胞測序費用大約是 bulk RNA-seq 的十倍以上想用單細胞做大幾十例的隊列經(jīng)費上很難撐住。Bulk RNA-seq 恰好可以補上這兩個短板。它測的是組織整體的轉(zhuǎn)錄信號細胞類型之間的比例關(guān)系在數(shù)據(jù)里被保留得相對完整而且成本低得多適合大樣本驗證。更重要的是bulk 數(shù)據(jù)在臨床隊列里積累了大量公開數(shù)據(jù)可以用來做外部驗證這是單細胞數(shù)據(jù)目前做不到的。雙組學(xué)聯(lián)合的真正精妙之處在于分析層面。scRNA-seq 可以算出一個“細胞類型組成矩陣”——每個樣本里每種細胞類型占多少比例。把這個矩陣和 bulk 數(shù)據(jù)里計算出的免疫細胞浸潤比例做對比就可以完成一種交叉驗證確認哪一種細胞類型的變化是真實的、穩(wěn)健的而不是單細胞技術(shù)引入的假象。2.3 從“描述現(xiàn)象”到“因果推斷”的三步走這項研究的分析路徑可以概括為三步第一步用 scRNA-seq 畫出腫瘤微環(huán)境的細胞圖譜找出和免疫治療響應(yīng)相關(guān)的關(guān)鍵細胞亞群第二步用細胞通訊分析、轉(zhuǎn)錄因子分析等手段推測這些關(guān)鍵亞群是通過什么機制影響治療響應(yīng)的第三步帶著這些發(fā)現(xiàn)回到 bulk 隊列用大樣本驗證標記物的預(yù)后價值并最終構(gòu)建一個可以指導(dǎo)臨床決策的分型模型。第三步在大多數(shù)同類研究里是最薄弱的。很多研究做到第二步就結(jié)束了發(fā)現(xiàn)了一堆有趣的現(xiàn)象但沒有轉(zhuǎn)化成可以用的臨床工具。這項研究把 bulk 驗證做得很扎實不只是簡單看看 marker 基因表達高低而是構(gòu)建了基于細胞亞群特征基因的評分體系并且做了多個獨立隊列的驗證。這種“從單細胞出發(fā)、落到臨床層”的轉(zhuǎn)化路徑是值得借鑒的。3. scRNA-seq 核心實操細節(jié)與關(guān)鍵參數(shù)3.1 從組織解離到建庫最容易被低估的環(huán)節(jié)單細胞測序里我反復(fù)強調(diào)的一句話是結(jié)果好壞在進儀器之前就已經(jīng)決定了。組織解離這一步的質(zhì)量直接影響后續(xù)所有分析結(jié)論。食管癌組織本身纖維成分多解離難度比血液、淋巴組織大得多。如果解離時間過長細胞活性下降RNA 降解檢測到的基因數(shù)會大幅縮水如果解離酶濃度過高細胞表面 marker 可能被剪切掉尤其是 CD4、CD8 這類免疫分型的關(guān)鍵分子后續(xù)注釋時就會出問題。實操中我的經(jīng)驗是解離要注意三點酶濃度寧低勿高、時間寧短勿長、全程保持低溫操作。解離結(jié)束后要盡快進入建庫流程不要反復(fù)凍融。另外質(zhì)控環(huán)節(jié)一定要看線粒體基因比例這是判斷細胞狀態(tài)的核心指標。線粒體基因比例過高說明細胞在解離過程中已經(jīng)處于應(yīng)激狀態(tài)這類細胞在分析里通常會被過濾掉但如果整個樣本的線粒體比例普遍偏高就要反思解離方案是否存在問題。3.2 數(shù)據(jù)質(zhì)控的具體參數(shù)與邏輯拿到單細胞原始數(shù)據(jù)后第一步是質(zhì)控過濾。常用的標準是三個維度同時過濾細胞檢測到的基因數(shù)、UMI 總數(shù)、線粒體基因比例。三個指標要結(jié)合起來看比如一個細胞 UMI 數(shù)很高、但基因數(shù)很低說明測序深度足夠但 RNA 復(fù)雜度低這類細胞可能是正在凋亡或者轉(zhuǎn)錄本降解。我們可以參考以下典型閾值基因數(shù)過濾低于 500 或高于 6000-7000 的細胞。低于 500 基本是空液滴或死細胞高于 6000 則可能是雙細胞兩個細胞被捕捉到同一個液滴里。線粒體比例常規(guī)閾值是 20%如果研究場景本身對細胞質(zhì)量要求高可以收緊到 10%-15%。免疫細胞因為體積小、代謝活躍線粒體比例通常比腫瘤細胞低。UMI 數(shù)低于 1000 的需要警惕但這一項往往和基因數(shù)高度相關(guān)作為輔助參考即可。雙細胞過濾還有一個更可靠的方法用 DoubletFinder 或 Scrublet 這類專門工具做算法層面的鑒定。純靠閾值過濾誤判率不低因為有些雙細胞碰巧是同類細胞特征上和單細胞很難區(qū)分。我的習(xí)慣是閾值過濾和算法鑒定都做兩者取交集作為最終保留的細胞集。3.3 降維聚類與細胞注釋決定文章高度的環(huán)節(jié)聚類分析本身并不復(fù)雜PCA 降維、UMAP 投影、Louvain/Leiden 聚類都是現(xiàn)成流程。真正考驗功力的地方在注釋環(huán)節(jié)——給每個 cluster 貼上正確的細胞身份標簽。自動注釋工具可以參考但不能盲信。目前常用的自動注釋包括 SingleR、scCATCH、CellTypist各有各的訓(xùn)練集和打分策略。我的實操建議是先用自動注釋給一個初步標簽然后必須回到 marker 基因?qū)用嬷饌€人工確認。以食管癌免疫微環(huán)境為例CD3D、CD3E 是 T 細胞的經(jīng)典 markerCD4 輔助 T、CD8A 細胞毒 T、FOXP3 調(diào)節(jié)性 T這些要逐一查看表達分布。NK 細胞重點看 NKG7、KLRD1、KLRB1 這組基因巨噬細胞看 CD68、LYZ、C1QA 等。注釋容易翻車的地方是 T 細胞和 NK 細胞的邊界。這兩類細胞共享不少基因表達特征尤其是 CD8 T 細胞和 CD16 NK 細胞在某些 marker 上有重疊聚類時經(jīng)?；煸谝黄稹＿@時不能只看單個 marker要綜合考慮多個基因的聯(lián)合表達模式。另一個容易混淆的是單核細胞和巨噬細胞。組織解離后單核細胞和巨噬細胞在轉(zhuǎn)錄特征上高度相似區(qū)分的關(guān)鍵在于巨噬細胞表達更高水平的組織駐留相關(guān)基因比如 C1QA、C1QB、MRC1 等。如果發(fā)現(xiàn)某個 cluster 既有單核細胞 marker 又有巨噬細胞 marker可能是分離組織時血液污染帶入的單核細胞也可能是注釋策略有問題。3.4 細胞通訊分析的注意事項細胞通訊分析是目前單細胞研究里的標準動作CellChat、CellPhoneDB、NicheNet 都是常用工具。但使用不當很容易產(chǎn)生誤導(dǎo)。這些工具本質(zhì)上是在統(tǒng)計兩個細胞亞群之間配體-受體共表達是否顯著高于隨機預(yù)期顯著不代表它在體內(nèi)真的發(fā)生了相互作用。這個邏輯一定要清楚。實操中我的建議是先聚焦到和治療響應(yīng)相關(guān)的關(guān)鍵配體-受體對上再查看這些分子的表達是否在外部隊列里有預(yù)后或療效關(guān)聯(lián)。單純堆一張細胞通訊熱圖列出幾十個顯著通路對機制闡述的幫助有限。好的細胞通訊分析應(yīng)該回答一個具體問題比如效應(yīng) T 細胞和樹突狀細胞之間的某種趨化因子信號是否在響應(yīng)患者中顯著增強這樣的分析才有生物學(xué)意義。4. Bulk RNA-seq 驗證流程與特征基因落地方案4.1 Bulk 數(shù)據(jù)如何承接單細胞發(fā)現(xiàn)單細胞分析結(jié)束后你會得到一組關(guān)鍵細胞亞群以及每個亞群的特異性標記基因。下一步就是把這群 marker 基因映射到 bulk 數(shù)據(jù)上構(gòu)建打分模型來量化每例 bulk 樣本里這群細胞的活性。最常用的方法有兩種。一種是直接取 marker 基因的平均表達量或者在表達量之上再做一次 z-score 標準化然后計算均值作為該細胞亞群的特征分數(shù)也就是 ssGSEA 的基本思路。另一種是 GSVA 打分基于基因集做富集分析。兩種方法差異不大實操中我偏好 ssGSEA理由很簡單——它在處理單樣本時不會用到其他樣本的分布信息對樣本量較小的隊列更友好。這里有一個關(guān)鍵細節(jié)marker 基因的選擇直接影響打分效果。盡量選擇細胞類型特異性和敏感性都高的基因剔除那些在多種細胞中表達的模糊基因。比如巨噬細胞相關(guān)打分如果用 CD68 這個基因做核心效果是可以接受的但如果同時混入 C1QA在不同來源的 bulk 數(shù)據(jù)里可能因為組織組成差異出現(xiàn)波動。4.2 特征驗證與隊列分層的一整套操作拿到細胞亞群評分后先做三件事。第一件事是生存分析根據(jù)評分中位數(shù)把患者分成高分組和低分組做 Kaplan-Meier 曲線看總生存期或無進展生存期是否有顯著差異。第二件事是響應(yīng)關(guān)聯(lián)分析如果隊列里記錄了免疫治療的療效評估直接算評分和療效之間的相關(guān)性。第三件事是免疫亞型交叉分析把患者的分子分型、TMB腫瘤突變負荷、PD-L1 表達情況和評分放在一起做多因素分析看這個評分是否獨立于已有指標提供額外預(yù)測信息。需要特別提醒的一點是單細胞來源的 marker 基因在 bulk 數(shù)據(jù)里不一定能完全平移過去。原因在于兩個平臺的技術(shù)差異——單細胞數(shù)據(jù)和 bulk 數(shù)據(jù)的表達量分布、動態(tài)范圍都有系統(tǒng)性差別。所以當某個 marker 基因在單細胞注釋里很特異但在 bulk 數(shù)據(jù)中打分效果不佳時不要急著放棄可以考慮用同一個細胞亞群內(nèi)的多個 marker 基因做更復(fù)雜的權(quán)重組合提升得分的穩(wěn)健性。4.3 結(jié)果的一個真實示例效應(yīng) T 細胞比例評分的價值在分析實際數(shù)據(jù)時我拿到過一個比較典型的結(jié)果用 CD8 效應(yīng) T 細胞亞群的 marker 基因在 bulk 隊列里構(gòu)建評分后高分組的免疫治療客觀緩解率是低分組的近三倍無進展生存期的中位數(shù)從兩個多月延長到了七個月左右。這個效應(yīng)在訓(xùn)練隊列和兩個獨立驗證隊列里都有復(fù)現(xiàn)說明這個特征具有較好的穩(wěn)定性。但同樣需要注意這個效應(yīng)在不同食管癌亞型里強度不一樣。在傳統(tǒng)腺癌和食管鱗癌之間這個評分的預(yù)后價值存在差異這可能和兩種亞型的基礎(chǔ)免疫特征不同有關(guān)。這提醒我們?nèi)魏螐臄?shù)據(jù)里挖出來的特征都要放在不同亞型里重新審視不能指望一個特征在所有場景下都成立。4.4 從特征到預(yù)測模型的構(gòu)建思路如果單細胞和 bulk 驗證都做完了最終想產(chǎn)出一個可落地的模型還需要完成幾件事。首先是通過 LASSO 回歸或者隨機森林篩選核心基因減少特征維度。單細胞起源的基因集通常包含幾百個基因全部帶進模型容易過擬合需要把特征壓縮到十幾個到幾十個。其次是在訓(xùn)練隊列里確定模型參數(shù)然后在獨立驗證隊列里評估泛化能力。最后要和現(xiàn)有生物標志物做 head-to-head 比較看新的模型是否在 C-index 或 AUC 上顯著優(yōu)于已有指標。模型構(gòu)建完了仍然不能直接用于臨床需要在獨立的前瞻性隊列里驗證。這一點在真實世界里很難做到大多數(shù)研究止步于回顧性驗證但如果你有條件拿到前瞻性數(shù)據(jù)哪怕樣本量不大也會讓模型的臨床可信度上一個臺階。5. 常見問題與排查技巧實錄5.1 單細胞注釋結(jié)果和 bulk 數(shù)據(jù)對不上這是雙組學(xué)聯(lián)合分析里最常遇到的問題。單細胞注釋鑒定出的某個細胞亞群在 bulk 數(shù)據(jù)里打分的預(yù)后方向反過來了或者干脆沒有顯著關(guān)聯(lián)。第一次遇到這種現(xiàn)象我的第一反應(yīng)是檢查這兩個數(shù)據(jù)集的樣本來源是否一致——單細胞數(shù)據(jù)和 bulk 數(shù)據(jù)如果來自不同的患者人群出現(xiàn)不一致非常正常。如果來源沒問題再檢查 marker 基因本身。有些單細胞 marker 基因表達量很低在 bulk 測序的噪聲水平里根本檢測不到有效信號。這時候要優(yōu)先選擇表達豐度較高、在單細胞里穩(wěn)定表達的 marker 基因來構(gòu)建打分特征。也可以嘗試擴大基因集——與其用五個核心 marker不如用該亞群所有差異表達基因做打分降低單個基因表達波動帶來的影響。還有一個很隱蔽但常見的原因是反轉(zhuǎn)錄效率和探針結(jié)合效率在不同平臺之間的差異某些基因在 10x 平臺和 bulk RNA-seq 平臺上的定量結(jié)果先天不可比。這個屬于技術(shù)性限制可以通過盡量選擇已知在兩個平臺上表現(xiàn)穩(wěn)定的基礎(chǔ)基因來規(guī)避。5.2 UMAP 圖上亞群分不開怎么辦一個典型場景是免疫治療不響應(yīng)患者和響應(yīng)患者的巨噬細胞亞群在 UMAP 圖上完全重疊幾乎看不出分離的跡象。這不一定說明兩組沒有差異——UMAP 的布局在計算時丟失了大量高維信息兩個組即使顯著分離在二維圖上也可能混在一起。正確做法是不要盯著 UMAP 圖看直接做差異表達分析和組間比例檢驗。密度圖、堆疊條形圖、統(tǒng)計檢驗這些方法比肉眼判讀 UMAP 可靠得多。如果確實需要可視化差異可以用 FeaturePlot 看關(guān)鍵 marker 的表達分布或者用 Pseudo-bulk 差異分析來做更嚴謹?shù)慕y(tǒng)計推斷。如果把聚類分辨率調(diào)高可以從原來的巨噬細胞 cluster 里分出多個子群其中一個子群在兩組之間比例顯著差異。這時候才真正找到有意義的差異而不是靠視覺判斷。5.3 批量效應(yīng)這個老大難問題多機構(gòu)聯(lián)合數(shù)據(jù)必然面對批量效應(yīng)。不同醫(yī)院取樣、不同時間建庫甚至同一天不同上機批次都會引入系統(tǒng)性差異。處理批次效應(yīng)的經(jīng)典工具是 Harmony在做 PCA 降維后、聚類前介入效果比較好。但 Harmony 調(diào)整后的數(shù)據(jù)不適合做差異表達分析因為 Harmony 的校正過程會把真實的生物學(xué)差異也一并平滑掉一部分。更穩(wěn)妥的做法是聚類和可視化用 Harmony 校正后的數(shù)據(jù)差異表達分析用原始未校正計數(shù)矩陣然后在模型中把樣本批次作為協(xié)變量納入。如果是配對樣本的組間比較優(yōu)先用配對設(shè)計做檢驗這樣可以天然規(guī)避一部分批次差異。另外建議在分析早期用樣本來源做一次層次聚類先看看數(shù)據(jù)是否按照機構(gòu)或批次聚堆如果明顯聚堆需要先處理批次問題再進行下游分析。5.4 免疫治療響應(yīng)預(yù)測的“時間點”陷阱拿治療前樣本做預(yù)測是最常見的選擇但臨床場景里更真實的問題是治療開始后哪些患者會快速進展這個問題需要治療中的樣本數(shù)據(jù)來回答。治療早期微環(huán)境的變化可能比基線狀態(tài)包含更強的預(yù)測信號。這篇研究里納入了治療中的配對樣本是有前瞻性考慮的。我個人的操作建議是如果隊列里有治療中樣本優(yōu)先做兩種情況的分析——單獨分析治療中樣本的預(yù)測價值以及基線狀態(tài)到治療中狀態(tài)的動態(tài)變化特征。后者可能發(fā)現(xiàn)免疫重塑的時間動力學(xué)規(guī)律這類發(fā)現(xiàn)對臨床的參考價值往往比一個靜態(tài)的基線指標更大。問題常見原因排查與解決辦法單細胞與 bulk 結(jié)論不一致樣本來源不同、marker 表達弱、平臺差異檢查隊列一致性換用高表達 marker擴大基因集UMAP 亞群不可分二維投影丟失信息改用統(tǒng)計檢驗和差異分析提高聚類分辨率批次效應(yīng)明顯機構(gòu)差異或建庫批次差異聚類用 Harmony 校正差異分析用原始數(shù)據(jù)并納入批次協(xié)變量預(yù)測模型過擬合特征太多、樣本太少LASSO/隨機森林降維獨立隊列驗證必要時做交叉驗證6. 對外部數(shù)據(jù)使用的一點實操經(jīng)驗這篇研究能做到多機構(gòu)驗證很大程度上得益于公共數(shù)據(jù)庫的補充。做免疫治療相關(guān)分析時外部驗證隊列主要來自 GEO 和公開的免疫治療臨床試驗轉(zhuǎn)錄組數(shù)據(jù)。使用公共數(shù)據(jù)時有一個容易被忽略的麻煩不同平臺的注釋版本和基因命名體系不完全一致合并前一定要統(tǒng)一基因名格式建議全部轉(zhuǎn)成 SYMBOL 格式并做去重匯總。公共隊列的樣本量通常有限能夠支持的分析模式也受限制。如果外部數(shù)據(jù)里連免疫治療的療效評估信息都沒有就只能退而求其次用無進展生存期或總生存期做替代終點。這在方法學(xué)上是被接受的但解讀時要說清楚不能把生存分析的結(jié)果直接等同于療效預(yù)測。另外如果有人想在你的隊列里復(fù)現(xiàn)這套流程建議先把原始數(shù)據(jù)、細胞注釋結(jié)果、marker 基因列表都整理成標準化格式方便后續(xù)做多個隊列的數(shù)據(jù)合并分析也方便其他人復(fù)現(xiàn)驗證。7. 寫在最后的實操體會隨訪分析里我踩過的坑不少這里整理幾條最值得說的。第一點是不要過早確定 marker 基因列表。我見過很多人在單細胞注釋完成后直接把 top marker 全部拿去 bulk 驗證結(jié)果一批就崩。正確的做法是先在單細胞數(shù)據(jù)內(nèi)部做 marker 穩(wěn)定性評估比如用交叉驗證看 marker 基因在多個樣本間是否持續(xù)穩(wěn)定表達再進入 bulk 階段可以節(jié)省大量返工時間。第二點是免疫治療研究的效率問題。單細胞樣本處理從解離到上機操作窗口非常緊湊建議實驗團隊和分析團隊提前對好參數(shù)解離方案、建庫批次、測序方案都提前鎖定不要中途改。我從經(jīng)驗中得出的結(jié)論是一個穩(wěn)定的、可重復(fù)的實驗流程對最終數(shù)據(jù)質(zhì)量的貢獻不小于分析方法的精妙。第三點是關(guān)于結(jié)果的落腳方式。這類研究會揭示很多免疫微環(huán)境的細節(jié)但最后真正有臨床意義的結(jié)果一定是那個可以落到 bulk 層面、用大量樣本反復(fù)驗證的結(jié)論。單細胞的力量在發(fā)現(xiàn)bulk 的力量在證實。兩頭都靠住文章才立得住。如果你正在做類似方向的課題我最后想說的是不要被平臺和技術(shù)迷住眼睛把問題問清楚——你到底想回答什么生物學(xué)問題這個答案是能落在什么樣的臨床決策上帶著問題去選技術(shù)、設(shè)計分析遠比堆砌一個華麗的分析流程更有價值。