Bioinformatics：新方法可预测单个细胞对疾病的贡献

日本东京科学大学的研究人员近日开发出一种计算方法，该方法以单细胞RNA测序数据作为参考，估算批量细胞RNA测序数据中单个细胞的比例和贡献，并确定它们如何影响患者的治疗结局。

　　

肿瘤内存在成千上万个细胞，每个细胞在推动疾病进展或治疗耐受方面发挥着独特作用。识别哪些细胞促进疾病发生，哪些细胞协助对抗疾病，有望指导未来的治疗策略。

随着单细胞测序技术的进步，研究人员如今能够测定单个细胞的基因表达，并深入探究其行为和功能。将这些信息与患者预后关联起来，他们可以了解单个细胞如何影响疾病进展。

然而，将单细胞信息与临床结局相整合的数据集仍然相当有限。相比之下，目前有各种组织的批量细胞RNA测序数据可供研究人员使用。

日本东京科学大学的研究人员近日开发出一种计算方法，该方法以scRNA-seq数据作为参考，估算bulk RNA-seq数据中单个细胞的比例和贡献，并确定它们如何影响患者的治疗结局。

这个名为scSurv的深度生成模型发表在《Bioinformatics》杂志上，有望指导更加个性化的治疗策略。

共同通讯作者、东京科学大学的Teppei Shimamura教授表示：“我们提出了首个量化单个细胞对临床结局贡献的方法。该方法能够鉴定与预后相关的细胞群及其关联基因，有望应用于治疗靶点发现和生物标志物鉴定。” 

scSurv以单细胞RNA测序数据为参考，对组织样本的批量细胞RNA测序数据进行反卷积，并估算每个样本中潜在细胞状态（即具有相似的基因表达模式的细胞群）的比例。然后利用一种考虑患者生存数据的Cox比例风险模型，将这些细胞状态的贡献与患者结局相关联。

这种生存分析方法可估计每个细胞状态对临床风险的贡献程度。该模型之后将这些贡献映射回属于该状态的单个细胞，从而推断其对患者结局的影响。

经过训练后，这种模型能够估算超过10,000个单细胞对疾病风险和预后的贡献。它还能鉴定与疾病进展相关的基因，并根据潜在临床风险对组织内的不同区域进行分区。

利用癌症基因组图谱（TCGA）的数据，这种模型成功预测了多种癌症患者的生存情况，包括那些数据未用于训练的患者。该方法还鉴定出与黑色素瘤患者预后相关的细胞，并检测到巨噬细胞，已知这些细胞与不同的生存结局相关。

研究人员还绘制了受肾细胞癌影响的肿瘤组织风险图，揭示了风险较高或较低的区域。他们还利用传染病数据集对该方法进行了测试，凸显了其在癌症以外的实用性。

“这些发现表明，scSurv或许有助于更先进的临床结局分析和治疗靶点的发现，” Shimamura教授谈道。

通过探究单个细胞对疾病的贡献，研究人员能够深入了解细胞层面的疾病机制，最终助力开发更精确的诊断工具和个性化的治疗方案。

scSurv的代码目前已发布在GitHub（https://github.com/3254c/scSurv）和Zenodo（https://doi.org/10.5281/zenodo.17793054）上。