单细胞交响乐
  • 前言:我与《单细胞交响乐》的缘分
  • 1 准备篇:背景知识
    • 1.1 数据结构
    • 1.2 总览 | 从实验到分析
  • 2 积累篇:文献阅读
    • 2.1.1 综述 | 2019-单细胞转录组分析最佳思路
    • 2.1.2 综述 | 2018-单细胞捕获平台
    • 2.1.3 综述 | 2017-scRNA中的细胞聚类分群
    • 2.1.4 综述 | scRNA已经开发出超过1000款工具了,你用过几种?
    • 2.1.5 综述 | 2021-单细胞测序的微流控技术应用
    • 2.2.1 研究 | 2018-单细胞转录组探索癌症免疫治疗获得性抗性机理
    • 2.2.2 研究 | 2018-人类结直肠癌单细胞多组学分析
    • 2.2.3 研究 | 2020-单细胞分析揭示葡萄膜黑色素瘤新的进化复杂性
    • 2.2.4 研究 | 2020-COVID-19病人支气管免疫细胞单细胞测序分析
    • 2.2.5 研究 | 2020-原汁原味读--单细胞肿瘤免疫图谱
    • 2.2.6 研究 | 2021-多发性骨髓瘤发展过程中肿瘤和免疫细胞的共同进化
    • 2.2.7 研究 | 2021-多个组织的成纤维细胞图谱
    • 2.2.8 研究 | 2021-多组学分析肺结核队列的记忆T细胞状态
    • 2.2.9 研究 | 2021-CancerSCEM: 人类癌症单细胞表达图谱数据库
    • 2.2.10 研究| 2021-单细胞转录组分析COVID-19重症患者肺泡巨噬细胞亚型
    • 2.2.11 研究 |2021-单细胞转录组揭示肺腺癌特有的肿瘤微环境
    • 2.2.12 研究 | 2021-单细胞转录组揭示乳头状甲状腺癌起始与发展
    • 2.2.13 研究 | 2021-解析食管鳞癌化疗病人的单细胞转录组
    • 2.2.14 研究 | 2021-单细胞水平看骨髓瘤的细胞状态和基因调控
    • 2.3.1 算法|2020-BatchBench比较scRNA批次矫正方法
    • 2.3.2 算法 | 2021-scPhere——用地球仪来展示降维结果
    • 2.3.3 算法 | 2021-单细胞差异分析方法评测
    • 2.3.4 算法 | 2021-细胞分群新方法——CNA(co-varying neighborhood analysis)
    • 2.3.5 工具 | 2018-iSEE:单细胞数据可视化辅助网页工具
    • 2.3.6 工具 | 2021-MACA: 一款自动注释细胞类型的工具
    • 2.3.7 工具 | 2021-一个很有想法的工具——Ikarus,想要在单细胞水平直接鉴定肿瘤细胞
  • 3 流程篇:分析框架
    • 3.1 质控
    • 3.2 归一化
    • 3.3 挑选表达量高变化基因
    • 3.4 降维
    • 3.5 聚类
    • 3.6 Marker/标记基因检测
    • 3.7 细胞类型注释
    • 3.8 批次效应处理
    • 3.9 多样本间差异分析
    • 3.10 检测Doublet
    • 3.11 细胞周期推断
    • 3.12 细胞轨迹推断
    • 3.13 与蛋白丰度信息结合
    • 3.14 处理大型数据
    • 3.15 不同R包数据的相互转换
  • 4 实战篇:活学活用
    • 4.1 实战一 | Smart-seq2 | 小鼠骨髓
    • 4.2 实战二 | STRT-Seq | 小鼠大脑
    • 4.3 实战三 | 10X | 未过滤的PBMC
    • 4.4 实战四 | 10X | 过滤后的PBMC
    • 4.5 实战五 | CEL-seq2 | 人胰腺细胞
    • 4.6 实战六 | CEL-seq | 人胰腺细胞
    • 4.7 实战七 | SMARTer | 人胰腺细胞
    • 4.8 实战八 | Smart-seq2 | 人胰腺细胞
    • 4.9 实战九 | 不同技术数据整合 | 人胰腺细胞
    • 4.10 实战十 | CEL-seq | 小鼠造血干细胞
    • 4.11 实战十一 | Smart-seq2 | 小鼠造血干细胞
    • 4.12 实战十二 | 10X | 小鼠嵌合体胚胎
    • 4.13 实战十三 | 10X | 小鼠乳腺上皮细胞
    • 4.14 | 实战十四 | 10X | HCA计划的38万骨髓细胞
  • 5 补充篇:开拓思路
    • 5.1 10X Genomics概述
      • 5.1.1 10X Genomics 问题集锦
    • 5.2 CellRanger篇
      • 5.2.1 CellRanger实战(一)数据下载
      • 5.2.2 CellRanger实战(二) 使用前注意事项
      • 5.2.3 CellRanger实战(三) 使用初探
      • 5.2.4 CellRanger实战(四)流程概览
      • 5.2.5 CellRanger实战(五) 理解count输出的结果
    • 5.3 Seurat的使用
      • 5.3.1 Seurat V3 | 实战之2700 PBMCs分析
      • 5.3.2 Seurat V3 | 如何改造Seurat包的DoHeatmap函数?
      • 5.3.3 scRNA的3大R包对比
      • 5.3.4 Seurat两种数据比较:integrated vs RNA assay
      • 5.3.5 seurat 的几种findmaker比较
    • 5.4 Monocle的使用
      • 5.4.1 Monocle V3实战
    • 5.5 多个数据集的整合
      • 5.5.1 使用Seurat的merge功能进行整合
      • 5.5.2 如何使用sctransform去除批次效应
由 GitBook 提供支持
在本页
  • 前言
  • 一句话概括
  • 使用的数据
  • 初步分群结果
  • 看甲状腺细胞群的异质性
  • 接下来重点看恶性的细胞——发育轨迹
  • 拿发育轨迹的结果做点什么
  • 接下来看基质细胞——CAFs
  • 再看基质细胞——内皮细胞(endothelial cells, ECs)

这有帮助吗?

  1. 2 积累篇:文献阅读

2.2.12 研究 | 2021-单细胞转录组揭示乳头状甲状腺癌起始与发展

刘小泽写于2021.10.26

上一页2.2.11 研究 |2021-单细胞转录组揭示肺腺癌特有的肿瘤微环境下一页2.2.13 研究 | 2021-解析食管鳞癌化疗病人的单细胞转录组

最后更新于3年前

这有帮助吗?

前言

题目:Single-cell transcriptomic analysis of the tumor ecosystems underlying initiation and progression of papillary thyroid carcinoma

日期:2021-10-18

期刊:nature communications

链接:

一句话概括

文章关注肿瘤微环境:先初步分群,然后依次看了几个重要组成部分:thyrocytes、immune细胞群、基质细胞(fibroblasts 、endothelial cells)

使用的数据

11个病人的23个组织,得到158,577个细胞

image-20211026100416227

初步分群结果

得到6个主要的细胞群:

  • T/natural killer (NK) cells (CD3D, CD3E, CD3G, CD247)

  • B cells (CD79A, CD79B, IGHM, IGHD)

  • thyrocytes (TG, EPCAM, KRT18, KRT19)

  • myeloid cells (LYZ, S100A8, S100A9, CD14)

  • fibroblasts (COL1A1, COL1A2, COL3A1, ACTA2)

  • endothelial cells (PECAM1, CD34, CDH5, VWF)

接下来重点关注免疫细胞(T, NK, B, and myeloid cell )的细分,得到22个亚群:

  • T细胞可以根据CD4和CD8的表达量继续细分,得到7 clusters for CD4+ cells & 4 clusters for CD8+ cells

  • NK, B, and myeloid cells同样细分得到 2, 3, and 6 subsets

并且每个亚群都有各自的组织偏好性(图e)

其中,CD4-c6中的FOXP3上调,CD8-c4中的PDCD1上调,分别对应了 regulatory CD4+ T cells (Treg) 和 exhausted CD8+ T cells (Tex),它们主要存在于皮下和肿瘤组织中;另外CD8-c3 中的GNLY上调,对应了效应T细胞,主要存在于肿瘤组织

这几种免疫细胞均在肿瘤组织中富集,说明了宿主免疫应答与肿瘤免疫逃逸共存

看甲状腺细胞群的异质性

拿thyrocytes这群细胞继续细分,得到9个亚群,其中1、2亚群主要是para-tumor,可以代表non- malignant thyrocytes;3-9则是malignant thyrocytes

接下来就用3种方法证明这样划分是对的:

  • 首先是相关性(图c),发现1、2最相关

  • 然后(图d)计算每个亚群的thyroid differentiation score (TDS)。TDS用来评价分化程度,其中1、2最高,并且照应了para-tumor最高的情况

  • 最后使用TCGA的PTC样本bulk转录组,构建一个分类器,达到97% sensitivity and 96% specificity ;再将这个分类器用在这个单细胞数据,发现与推测的组织类型相似度达到了:95%, 97% and > 98% of c01, c02, and c03–09 cells

于是,下面就认为malignant (c03-c09) and non-malignant (c01, c02) thyrocytes

探索了恶性vs非恶性、恶性肿瘤 vs恶性淋巴、恶性肿瘤 vs恶性皮下,发现:TMSB4X as a suggestive biomarker that potentially involves in PTC initiation and progression

既然分开了恶性和非恶性,那就先研究非恶性的两个亚群

之前图d看到,c1和c2的分化指标虽然比其他群高,但二者还是有差距,于是就开始探索这两群非恶性细胞的差异

看到c1到c2会有中间态,然后看到c1=》c2=》c3-c9的过程中,TMSB4X也确实逐渐升高

推测:c2这个群可能不是完全的正常状态,是出于正常和恶性之间的过渡态

通过实验验证了c2的属性是:cancer-primed nature of these outwardly normal but transcriptionally altered premalignant cells, which provide both seeds and soil for the eruption of malignant growths,将c2归结为premalignant

最后对比了c1和c2,对PKHD1L1这个基因感兴趣,推测 PKHD1L1 might function as a tumor suppressor gene in multiple solid tumors

接下来重点看恶性的细胞——发育轨迹

正常的c1和premalignant的c2在右上角,作为发育起源(normal-cell-initiated State 1),看看三个发育状态有什么区别:

  • state1有一个明显的转录因子SOX9,作用是branching folliculogenesis(卵泡生成) of normal thyroid gland,于是state1的名称是follicular-like thyrocyte

  • State 3, featured by the lowest TDS score and RAS score, and highest BRAF score, contained the vast majority of RAIR subcutaneous metastatic thyrocytes;另外state3高表达GATA2, MYC, SOX4(去分化相关的转录因子)

拿发育轨迹的结果做点什么

得到了480 pseudotime-associated genes (PAGs),因为它们主要就是在甲状腺上皮细胞中,再结合2个bulk转录组数据,可以用来更新BRAF-/RAS-like 分子亚型方法。发现和之前的分型方法一样,BRAF-like tumors也是存在很强的异质性,将其分成2个亚型(BRAF-like-A and BRAF-like-B),发现BRAF-like-B更加特别:associated with TCV pathology ; lower TDS scores;advanced staging;significantly compromised DFS;

GSEA结果发现BRAF-like-B在免疫相关通路活性更高

并且三个亚型RAS-like, BRAF-like-A, BRAF-like-B分别对应了三种表型:follicular-like, p-EMT-like, dediff-like

接下来看基质细胞——CAFs

其中重点关注cancer-associated fibroblasts (CAFs)

初步分群的fibroblasts这群,表达了CAF的marker:VIM, S100A4, ACTA2 (α-SMA), and PDGRFA

因此可以直接把fibroblasts成为CAF,然后把CAF分群,一开始分成4群,其中cluster 0, 1 and 3可以当成myofibroblastic CAFs (myoCAF);cluster 2是inflammatory subtype (iCAF) ,它的marker基因是CFD, PLA2G2A, CCDC80

正式有了iCAF和myoCAF,再看和分型的关系,发现CAFs主要存在于BRAF-like中

接着做了iCAF和myoCAF的细胞通讯,发现:

  • regulation of cellular immunity is an important function for iCAFs in PTC

  • myoCAFs tends to exert mechanical and chemical influence on tumor progression rather than through direct cell communications, as described in other solid tumors

再看基质细胞——内皮细胞(endothelial cells, ECs)

根据已有的marker,将EC分成5个类型:arterial, venous, lymphatic, immature and tip

  • arterial 高表达 arterial development and remodeling (FBLN5, GJA5, JAG1) and smooth muscle contraction (PPP1R14A)

  • venous 高表达 VWF (von Willebrand factor) and genes associated with leukocyte recruitment (ACKR1) or adhesion (SELE)

  • Lymphatic 高表达 canonical marker LYVE1 and a chemokine ligand CCL21

  • immature 高表达 Notch signaling and target genes (JAG1, HES1, ID1, ID2, ID3), and genes involving in barrier integrity (ENG, PLVAP, HSPG2, APLNR), which may resemble the stalk-like cells

  • tip 高表达 cell migration (NRP1, ENPP2), adhesion (THY1) and vessel formation (FLT1, also called VEGFR1; KDR, also called VEGFR2; NRP1, also called VEGF165R);并且tip高表达一些转录因子,比如 endothelial migration and sprouting, such as ZEB1, HOXB5 and STAT family

图h看到,只有lymphatic在正常的甲状腺组织中富集,其他均存在于原发或转移癌中

最后的细胞通讯看了EC和免疫细胞,发现:

  • lymphatic 和免疫细胞通过atypical chemokine receptor 2 (ACKR2)进行关联【它用来调控chemokine availability】(在附图)

  • venous, immature and arterial ECs 和免疫细胞通过 Intercellular Adhesion Molecule 1 (ICAM1) 关联 (在附图)

  • tip 和免疫细胞通过key angiogenic VEGF-VEGFR signalings 关联(图i)

image-20211026100646905
image-20211026101100992
image-20211026102825082
image-20211026103431062
image-20211026103921664
image-20211026104550993
image-20211026110343493
image-20211026110630820

State 2 was basically a half-half mixture of tumor and LN-metastatic thyrocytes

image-20211026123054006
image-20211026123531415
image-20211026123856784
image-20211026124527891
image-20211026124310210
image-20211026125434470
https://www.nature.com/articles/s41467-021-26343-3
image-20211026110928873