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
  • 速览
  • 摘要
  • 实验设计
  • 14个病人的整合分析
  • 研究B细胞谱系以及正常、恶性浆细胞的转化
  • 从SMM到初期,浆细胞的亚群的变化
  • 从初期到复发,浆细胞的亚群的变化
  • 最后检测AP-1在浆细胞亚群中的差异表达

这有帮助吗?

  1. 2 积累篇:文献阅读

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

刘小泽写于2021.5.10

上一页2.2.5 研究 | 2020-原汁原味读--单细胞肿瘤免疫图谱下一页2.2.7 研究 | 2021-多个组织的成纤维细胞图谱

最后更新于4年前

这有帮助吗?

速览

  • 作者:华盛顿大学Li Ding团队

  • 链接:

  • 发表在:Nature Communications

  • 日期:07 May 2021

摘要

  • 多发性骨髓瘤(Multiple myeloma,MM)的特点是浆细胞的扩增不受控制。目前对该疾病进展不完全了解,因此仍无法治愈

  • 使用single cell RNA and linked-read whole genome sequencing,对14例患者不同疾病阶段的29个样本进行分析,得到17,267个浆细胞和57,719个免疫细胞,发现了患者浆细胞和免疫细胞表达谱的变化

  • 将具有相同变化的浆细胞和免疫细胞聚在一起,再通过bulk genomics & single cell mapping,追踪到了疾病各个阶段的浆细胞亚群,发现了3种模式:稳定型(癌前期到诊断期)、获得突变型与缺失突变型(从诊断期到复发期)

  • 多个病人检测到“B细胞特性”的浆细胞,和B细胞群容易聚在一起,暗示了细胞起源

  • 使用基于CyTOF(单细胞质谱流式技术)验证浆细胞亚群中AP-1转录因子复合体的差异表达,然后AP-1的下游靶标(IL6和IL1B)可能导致炎症

实验设计

左边是所有的病人样本,采用了很多技术:10xWGS, scRNA, Bulk RNA, WES, WGS。至少一个样本同时利用了scRNA-seq和10x Genomics linked-read whole-genome sequencing (10xWGS)

右边是每个病人的治疗过程

又看了14个病人的拷贝数变异、结构变异、驱动突变

14个病人的整合分析

先看每个病人的细胞组分:

然后是不同时期的病人整合

又加入了4个健康人的数据作参考,看不同病人肿瘤免疫微环境的差异

研究B细胞谱系以及正常、恶性浆细胞的转化

组合了21个肿瘤样本和4个正常样本的B细胞、浆细胞

  • 病人的B细胞和正常样本的B细胞混在一起,分在了同一个群;并且存在三个小的B细胞群,还主要来自正常样本,它们高表达SOX4, VPREB3, MME,说明是primitive B细胞

  • 正常样本的浆细胞混在了肿瘤样本浆细胞中,说明这些肿瘤浆细胞和正常的浆细胞存在相似的表达谱

  • 分析了B细胞和浆细胞的拷贝数,发现有17个样本出现了chr13缺失。它也可以作为恶性浆细胞表达量的一个衡量指标

从SMM到初期,浆细胞的亚群的变化

Smoldering multiple myeloma (SMM) is an early precursor to a rare blood cancer known as multiple myeloma, which affects plasma cells.

病人(58408)的SMM和初期阶段都可以将浆细胞分成两群

然后要研究肿瘤初期的浆细胞是不是来自SMM时期,于是把两个时期的细胞整合在一起,发现:两个时期的cluster1和cluster2都分别混在了一起

之后又比较了这些cluster之间的基因组变异和表达量差异,发现SMM和primary stage的cluster1都出现了chr13拷贝数缺失,而它们的cluster2都是正常的拷贝数;另外chr5和chr15页表现一致,说明:Primary 的第1亚群可能来自SMM的第1亚群,Primary 的第2亚群可能来自SMM的第2亚群

然后同样又对另外的两个病人 (47491 and 37692) 进行同样分析,得到结论:从SMM到初期,浆细胞的亚群是保持稳定的

从初期到复发,浆细胞的亚群的变化

利用病人(27522)4个时期的数据:

初期有4个亚群 (P.1–P.4),除了P.4都表现了chr13的部分缺失

之后看了Remission (RM), Relapse-1 (RL1), and Relapse-2 (RL2) 三个时期,发现:

  • Relapse-2 包含了3个不同的亚群:恶性 RL2.1(somatic mutations and deep chromosome 13 deletion)、“B cell-like” RL2.2 (strong B cell marker expression)、“过渡态” RL2.3 (without somatic mutations detected but with shallow chromosome 13 deletion)

  • 发现一些缓解期的细胞和复发期的细胞混在了一起,推测:缓解期的细胞可能是由于躲避治疗求生存的复发期的“种子”

结论:从初期到复发,浆细胞亚群出现了动态的拷贝数增加和缺失

最后检测AP-1在浆细胞亚群中的差异表达

  • 上图:每个亚群的FOS和JUN的表达量均值

  • 下图:FOS和JUN在几个感兴趣的样本中的表达

其中AP-1高表达的亚群可能是骨髓瘤的发展过程中的重要一环

提出了一个AP-1对表型影响的机制模型:

https://www.nature.com/articles/s41467-021-22804-x