NAR︱ImmCluster：集成的免疫细胞类型注释及分析平台

撰文︱江天彤妃

责编︱方以一，王思珍

编辑︱杨彬薇

肿瘤微环境（tumor microenvironment，TME）浸润了大量不同类型的免疫细胞，对于肿瘤细胞具有杀伤作用，而还有一部分免疫细胞会帮助癌症的进展。因此，单细胞分析免疫细胞分类和功能的解析具有重要意义[1-2]。在单细胞测序（single-cell RNA sequencing，scRNA-seq）数据的研究中，细胞类型的注释是一个关键问题。现有的细胞类型预测算法主要分为两类，一种是基于已知的细胞类型表达图谱，一种是基于标记（marker）基因集[3-6]。而绝大部分方法分散于文献之中，不同方法的注释结果存在差异，这为细胞类型的注释增加了很大的难度。如如何集成多种计算方法进行稳健的细胞类型注释是目前亟待解决的关键问题之一。

近期，海南医学院李永生教授团队、哈尔滨医科大学徐娟教授、张云鹏教授团队合作在Nucleic Acids Research（NAR）上发表题为“ImmCluster: an ensemble resource for immunology cell type clustering and annotations in normal and cancerous tissues”的研究。该工作通过收集整理公共的多组织、多种肿瘤类型单细胞转录组数据，并整合了11种常见单细胞细胞类型注释计算方法，为现有的单细胞数据集中超过100万的免疫细胞提供了细胞类型的注释信息，并对不同细胞类型进行特征基因识别、功能注释、细胞互作等分析。此外，该平台还支持用户上传单细胞数据进行系统的功能分析。

为了解决单细胞数据中免疫细胞类型的精准识别和分析问题，研究团队手工收集了61种免疫细胞类型的346个金标准基因。接下来，作者收集了17种常见的实体瘤数据及来自正常人的9种组织数据，构建环境特异的免疫细胞亚型图谱。考虑到现有的单细胞数据注释计算方法各有利弊，作者将每套数据及背景免疫图谱应用于11种常见算法，并开发了基于投票的细胞类型注释的整合分析流程。最终，ImmCluster大数据资源提供了近65万肿瘤中免疫细胞及超过42万的正常人免疫细胞的多种算法注释结果及整合的细胞类型注释结果（图1A-C）。进一步，作者对每种注释结果进行了深入的分析，包括1）特异高表达基因的识别；2）肿瘤细胞状态、免疫通路及癌症hallmark的富集分析；3）基于iTALK、celltalker和ICELLNET几种方法的细胞互作分析（图1D）。

图1 ImmCluster平台框架

（图源：Jiang TTF, et al., NAR, 2022）

在数据库的使用方面中，作者将全部癌症、正常单细胞数据及参考图谱上传，支持以简单快捷的方式查询、应用或下载所需数据（图2）。用户可以通过浏览或搜索页面查找感兴趣的参考图谱或数据集，作者提供了不同方法注释细胞类型的三种分析结果，并以多种图、表综合的方式对其进行可视化。另外，用户还可以按照免疫细胞类型或标记基因进行搜索，平台将展示包含该信息的数据集及相关细胞类型或基因的详细内容。同时，ImmCluster还允许用户上传自己的单细胞测序数据，选择注释算法并自定义质控条件。在运算结束后，用户会收到邮件并根据任务号查询其预测免疫细胞注释以及多种功能分析结果。最后，数据库也支持下载全部的单细胞数据集的原始表达谱、多种免疫细胞注释结果及特征基因集。

图2 ImmCluster使用流程

（图源：Jiang TTF, et al., NAR, 2022）

最后，作者基于1套包含5种免疫细胞类型的结直肠癌单细胞数据对ImmCluster大数据分析平台进行了应用（图3）。对于整合的免疫细胞注释结果，其细胞类型预测平均准确率达到96.3%，并进一步解析了功能注释结果及细胞之间的互作。值得注意的是，ImmCluster不仅识别了各种细胞类型的金标准特征基因以及近期另外一个研究的特异高表达基因，还识别了新的环境特异特征基因。这不仅支持了组织特异背景图谱的准确性，还暗示了ImmCluster能够对于免疫细胞空间特异性进行深入独特的分析。

图3 ImmCluster应用实例

（图源：Jiang TTF, et al., NAR, 2022）

文章结论与讨论，启发与展望

综上所述，ImmCluster提供了一个综合的单细胞免疫细胞注释大数据分析平台，涵盖17种癌症类型和9种正常组织超过100万的免疫细胞，并应用11种常见的单细胞注释算法对细胞类型进行注释和功能解析。ImmCluster是单细胞免疫研究的便利的资源及分析平台，方便研究人员直接使用。目前，该平台仅提供了常见的实体瘤注释信息，对于血液肿瘤的细胞注释将是接下来的工作重点。此外，研究团队还将基于之前开发的免疫相关大数据分析平台ImmLnc和ImmReg [7-8]等对现有平台进行扩展，将持续扩大平台的资源量，为用户提供更加全面、快捷、实用的单细胞免疫计算分析大数据资源平台。

原文链接：https://academic.oup.com/nar/advance-article/doi/10.1093/nar/gkac922/6769745

往期文章精选优质科研培训课程推荐【1】单细胞测序与空间转录组学数据分析研讨会（10月29-30日 腾讯在线会议）【2】宏基因组与代谢组/脂质组学R软件数据可视化研讨会（10月29日 腾讯在线会议）欢迎加入“岚翰生命科学” ”岚翰生命科学“ 诚聘副主编/编辑/运营岗位 (在线办公)

参考文献（上下滑动阅读）

[1] Stuart,T. and Satija,R. (2019) Integrative single-cell analysis. Nat. Rev. Genet., 20, 257–272.

[2] Li,M., Zhang,X., Ang,K.S., Ling,J., Sethi,R., Lee,N.Y.S., Ginhoux,F. and Chen,J. (2022) DISCO: a database of deeply integrated human single-cell omics data. Nucleic Acids Res., 50, D596–D602.

[3] Guo,H. and Li,J. (2021) scSorter: assigning cells to known cell types according to marker genes. Genome Biol., 22, 69.

[4] Shao,X., Liao,J., Lu,X., Xue,R., Ai,N. and Fan,X. (2020) scCATCH: automatic annotation on cell types of clusters from single-cell RNA sequencing data. Iscience, 23, 100882.

[5] Aran,D., Looney,A.P., Liu,L., Wu,E., Fong,V., Hsu,A., Chak,S., Naikawadi,R.P., Wolters,P.J., Abate,A.R. et al. (2019) Reference-based analysis of lung single-cell sequencing reveals a transitional profibrotic macrophage. Nat. Immunol., 20, 163–172.

[6] Tan,Y. and Cahan,P. (2019) SingleCellNet: a computational tool to classify single cell RNA-Seq data across platforms and across species. Cell Syst., 9, 207–213.

[7] Jiang T, Zhou W, Chang Z, Zou H, Bai J, Sun Q, Pan T, Xu J, Li Y, Li X. (2021) ImmReg: the regulon atlas of immune-related pathways across cancer types. 2021 Dec 2;49(21):12106-12118.

[8] Li Y, Jiang T, Zhou W, Li J, Li X, Wang Q, Jin X, Yin J, Chen L, Zhang Y, Xu J, Li X.(2020) Pan-cancer characterization of immune-related lncRNAs identifies potential oncogenic biomarkers. 2020 Feb 21;11(1):1000.

本文完