华大单细胞RNA-Seq鉴定新升级，肿瘤细胞何处可藏身?
识别肿瘤细胞是癌症发生发展中的疑难杂症，在肿瘤组织复杂的细胞组成中，如何精准鉴定、区分肿瘤细胞和正常细胞，以及在肿瘤细胞之间进行比较和研究相互作用关系等，对于探索肿瘤研究关键机制有极其重要的作用。
现在，华大DNBelab C4单细胞RNA-Seq定制化分析——肿瘤细胞鉴定方案惊喜升级，可通过单一或多种分析工具实现鉴定肿瘤细胞，随心定制，将肿瘤细胞一网打尽，助力肿瘤免疫、肿瘤发展耐药机理、肿瘤标志物与药物开发等相关研究。
鉴定肿瘤细胞的分析工具有哪些？
01 Marker基因
部分肿瘤中存在显著的特征——marker基因。我们新增通过CancerSCEM数据库查找通用的癌细胞marker基因，结合CellMarker、KEGG disease等数据库查找肿瘤特异的marker基因。常见的肿瘤marker基因包括：胶质母细胞瘤（Glioblastoma, GBM）的VEGFA、GFAP、CHI3L1、EGFR；葡萄膜黑色素瘤（uveal melanoma）的MLANA、MITF、DCT等。通过marker基因鉴定肿瘤细胞的结果展示如下图：
图1 Marker基因鉴定胶质母细胞瘤细胞示意图*
颜色深浅表示该基因的表达量高低，颜色越深，表示该基因表达量越高。然后结合聚类情况判断肿瘤细胞。
02 CNV
我们还可以观测基因拷贝数变异（copy number variations, CNV）。CNV一般指由于发生错误的重排、复制、修复而导致的长度1KB以上的基因组大片段的拷贝数增加或者减少。肿瘤细胞中常发生CNV事件，引起某些基因异常表达，进而导致正常细胞恶化为肿瘤细胞。此次升级，我们囊括基于此原理的分析工具包括不限于：inferCNV[1]（基于已知的染色体 CNV事件）、MalignScore(scCancer) [2]（基于全局CNV波动）、CopyKAT[3]和SCEVAN[4]（基于肿瘤的非整倍体特征）。每种分析工具的结果展示如下图：
图2 inferCNV识别肿瘤细胞示意图*
行表示不同cluster(颜色)的细胞，列表示23条染色体。红色代表染色体对应区域拷贝数扩增，蓝色代表染色体对应区域拷贝数缺失。符合特定染色体拷贝数改变的cluster细胞定义为恶性细胞。
图3 MalignScore识别肿瘤细胞示意图*
直方图的横坐标代表恶性得分，纵坐标代表对应恶性得分的细胞数目。右侧蓝色直方图是输入数据计算恶性得分后的结果，左侧灰色直方图是背景数据（正常细胞）计算恶性得分的结果。中间的红色虚线是通过统计方法确定的阈值。在输入数据中恶性得分大于阈值的细胞被定义为恶性细胞。
图4 CopyKAT识别肿瘤细胞示意图*
行：绿色代表二倍体正常细胞，黄色代表识别的非整倍体恶性细胞。列：23条染色体 。橙色代表染色体对应区域拷贝数扩增，蓝色代表染色体对应区域拷贝数缺失。恶性细胞基于聚类的算法识别。
03 基因组不稳定性
除了上述方法之外，肿瘤细胞中也存在基因组不稳定性。基于该原理，新增GenomicInstability分析工具：通过对每个细胞的基因组不稳定性进行打分，将细胞分为三类：Unstable (GI likelihood > 0.8)、 (2) Intermediate (0.2 ≥ GI likelihood ≥ 0.8)、and (3) Stable (GI likelihood < 0.2)。其中Unstable即为肿瘤细胞。
图5 基因组不稳定性识别肿瘤细胞示意图[5]
行为细胞，列为不同染色体上区块的基因组不稳定性得分。行中所有的细胞根据计算的基因组不稳定性概率分为三类。热图中红色意味着对应染色体区域存在基因组扩增，蓝色意味着基因组缺失。
04 SNV
由于儿童肿瘤和血液癌中基本没有CNV事件，因此只能通过其他方法识别肿瘤细胞，比如SNV。单核苷酸变异（single nucleotide variants，SNV）是指单个核苷酸上的变异(替代、插入或缺失)。新增相关分析工具如VarTrix、SNPcell-lite[6]，可识别正常细胞还是肿瘤细胞。
图6 SNV识别肿瘤细胞示意图[7]
携带TP53 E286G突变的即为肿瘤细胞，如图中蓝色细胞。
不同分析工具该如何选择？
我们此次升级囊括多种肿瘤细胞识别鉴定有效方法，针对不同肿瘤研究类型，该如何选择这些分析工具？是否可以结合多种工具联合使用？下面一图带您清晰了解：
图7 分析工具的选择介绍
鉴定出肿瘤细胞群后如何深入分析？
01 肿瘤细胞到哪里去
肿瘤细胞的分化轨迹&分化方向
肿瘤细胞亚群克隆进化
02肿瘤细胞怎么去
影响分化轨迹的基因及其功能研究
肿瘤细胞的功能特征（倾向于增殖还是转移）
肿瘤细胞和其他细胞之间的交流网络
例如：密切交流的T细胞亚群的功能状态（耗竭，效应）。
该定制化分析模块同样适用于华大自主单细胞平台DNBelab C4。DNBelab C4平台累计发表19篇文章，已接收2篇，平均影响因子14+。更有配套的Billion单细胞计划正当时，即刻扫码加入，一起踏上单细胞研究的征程吧！
*结果展示为内测数据。
参考文献：
[1] Patel A P, Tirosh I, Trombetta J J, et al. Single-cell RNA-seq highlights intratumoral heterogeneity in primary glioblastoma[J]. Science, 2014, 344(6190): 1396-1401.
[2] Guo W, Wang D, Wang S, et al. scCancer: a package for automated processing of single-cell RNA-seq data in cancer[J]. Briefings in bioinformatics, 2021, 22(3): bbaa127.
[3] Gao R, Bai S, Henderson Y C, et al. Delineating copy number and clonal substructure in human tumors from single-cell transcriptomes[J]. Nature biotechnology, 2021, 39(5): 599-608.
[4] De Falco A, Caruso F P, Su X D, et al. A fast variational algorithm to detect the clonal copy number substructure of tumors from single-cell data[J]. bioRxiv, 2021.
[5]https://bioconductor.org/packages/release/bioc/vignettes/genomicInstability/inst/doc/genomicInstability.pdf（未发表文献）.
[6] Huang X, Huang Y. Cellsnp-lite: an efficient tool for genotyping single cells[J]. Bioinformatics, 2021, 37(23): 4569-4571.
[7] Petti A A, Williams S R, Miller C A, et al. A general approach for detecting expressed mutations in AML cells using single cell RNA-sequencing[J]. Nature communications, 2019, 10(1): 1-16.
.
更多详情
请联系华大科技当地销售代表↓↓↓
热线电话：400-706-6615
邮箱：info@genomic.cn
往期推荐
了解更多产品服务及资讯，关注我们！