张泽民院士合作的Cancer Cell研读 | 如何细致分析细胞亚群之间的转化潜能 | 细胞亚群的转换潜能（Transitional Potential）计算

背景介绍

之前对院士组的文章进行了一个大致的浏览 张泽民院士合作的Cancer Cell——三阴性乳腺癌免疫治疗新发现：不同化疗方案如何塑造肿瘤免疫微环境，其中Figure 6中提及了树突状细胞（DC）亚群的转换潜能（Transitional Potential）。本笔记基于对 Zhang et al., 2021（《Single-cell analyses reveal key immune cell subsets associated with response to PD-L1 blockade in triple-negative breast cancer》）的学习，重点学习复现文献中Figure 6 相关的计算方法。

Transitional Potential 分析与 Figure 6A、B 解析

1. 介绍 Figure 6A、B 及其关系

在《Distinct cellular mechanisms underlie chemotherapies and PD-L1 blockade combinations in triple-negative breast cancer》一文中，Figure 6A 和 Figure 6B 共同分析了 树突状细胞（DC）亚群的转换潜能（Transitional Potential），揭示了不同 DC 亚群之间的动态转换关系，并探讨了不同治疗方案对这些转换的影响。

• Figure 6A 主要展示 DC 亚群之间的转变路径，基于 RNA velocity 和 PAGA 轨迹分析 计算 cDC1_CLEC9A、cDC2_CLEC10A、mDC_LAMP3 之间的转换潜力。
• Figure 6B 进一步 统计不同治疗组（Nab-PTX、PTX+ATZ、PTX）对 DC 亚群转换的影响，展示 不同治疗方案如何促进或抑制 DC 亚群的转换。

两幅图的关系如下：

• Figure 6A 提供了 DC 亚群之间的转换架构，通过 RNA velocity 推测可能的 DC 转变路径。
• Figure 6B 统计了不同治疗组如何影响这些 DC 亚群的转换趋势，结合治疗前后数据分析 不同 DC 细胞群的转换潜能是否发生变化。

主要发现：

• cDC1_CLEC9A 可能向 mDC_LAMP3 转变，且该转变在 免疫治疗组（PTX+ATZ）NR 组显著增强。
• cDC2_CLEC10A 可能向 mDC_LAMP3 和 cDC2_CD1A 转变，其中 cDC2_CLEC10A → mDC_LAMP3 转换在非响应者（NR）中更显著。

---

2. 什么是 Transitional Potential？

Transitional Potential（转换潜能） 指的是 细胞亚群在不同条件下向另一种细胞类型转变的趋势，在单细胞研究中，它被用于：

• 评估细胞状态的可塑性：哪些细胞更可能向另一种状态转变？
• 探索疾病和治疗对细胞状态的影响：治疗是否促进或抑制某些细胞亚群的转换？
• 揭示关键分子调控网络：哪些转录因子或信号通路在转换过程中起关键作用？

在该研究中，Transitional Potential 被用于 研究 DC 亚群如何在不同治疗条件下转变，尤其关注 免疫抑制型 DC（mDC_LAMP3）是否由 cDC1/cDC2 产生。

---

3. Transitional Potential 计算方法

该文献的方法部分提到：

“We calculated the scores of target subsets within the original subset based on their transcriptomic features.”

即：

1. 定义目标 DC 亚群的 marker genes（如 cDC1_CLEC9A、cDC2_CLEC10A、mDC_LAMP3）。
2. 在原始 DC 细胞中计算这些 marker genes 的加权表达值，得到 不同 DC 细胞向目标 DC 亚群转换的可能性 Score。
3. 在不同治疗组（Pre vs. Post）中比较这些 Scores，观察治疗是否影响转换潜能。

数学计算公式如下：

$$Scor{e}_{DC}=\sum _{i=1}^N(Expressio{n}_i\times Weigh{t}_i)$$

其中：

• $Expressio{n}_i$ = 目标 DC 亚群 marker gene 在该细胞中的表达量。
• $Weigh{t}_i$ = 该基因在目标 DC 亚群中的贡献权重（可基于 log2FC 或 PCA 负荷）。
• $N$ = 目标 DC 亚群的 marker genes 数量。

---

4. Python & R 计算实现

Python 计算 Transitional Potential

import numpy as np
import pandas as pd
import scanpy as sc

# 定义不同 DC 亚群的 marker genes 及其权重
dc_markers = {
    "cDC1_CLEC9A": {"CLEC9A": 0.8, "BATF3": 0.7, "XCR1": 0.6},
    "cDC2_CLEC10A": {"CLEC10A": 0.9, "CD1C": 0.8, "FCER1A": 0.7},
    "mDC_LAMP3": {"LAMP3": 0.9, "CCR7": 0.8, "CD83": 0.7}
}

# 提取表达数据
expr_matrix = adata.to_df()

def compute_dc_scores(expr_matrix, dc_markers):
    scores = pd.DataFrame(index=expr_matrix.index)
    
    for dc_type, marker_weights in dc_markers.items():
        genes = list(marker_weights.keys())
        weights = np.array(list(marker_weights.values()))
        valid_genes = [g for g in genes if g in expr_matrix.columns]
        valid_weights = weights[:len(valid_genes)]
        if len(valid_genes) == 0:
            continue
        valid_weights = valid_weights / np.sum(valid_weights)
        scores[dc_type] = expr_matrix[valid_genes].dot(valid_weights)
    
    return scores

dc_scores_df = compute_dc_scores(expr_matrix, dc_markers)
adata.obs = adata.obs.join(dc_scores_df)

R 计算 Transitional Potential

dc_markers <- list(
  "cDC1_CLEC9A"  = c("CLEC9A" = 0.8, "BATF3" = 0.7, "XCR1" = 0.6),
  "cDC2_CLEC10A" = c("CLEC10A" = 0.9, "CD1C" = 0.8, "FCER1A" = 0.7),
  "mDC_LAMP3"    = c("LAMP3" = 0.9, "CCR7" = 0.8, "CD83" = 0.7)
)

compute_dc_scores <- function(expression_data, dc_markers) {
  scores <- list()
  for (dc_type in names(dc_markers)) {
    marker_genes <- names(dc_markers[[dc_type]])
    weights <- unname(dc_markers[[dc_type]])
    weights <- weights / sum(weights)
    scores[[dc_type]] <- rowSums(expression_data[, marker_genes] * weights)
  }
  return(as.data.frame(scores))
}

dc_scores_df <- compute_dc_scores(expression_data, dc_markers)

Python 计算 Transitional Potential

如果有 adata 对象（Scanpy）如何计算？

# 提取表达数据
expr_matrix = adata.to_df()
dc_scores_df = compute_dc_scores(expr_matrix, dc_markers)
adata.obs = adata.obs.join(dc_scores_df)

# 可视化不同 DC Score 在 UMAP 上的分布
import scanpy as sc
sc.pl.umap(adata, color=['cDC1_CLEC9A', 'cDC2_CLEC10A', 'mDC_LAMP3'], cmap='coolwarm')

import numpy as np
import pandas as pd
import scanpy as sc

# 定义不同 DC 亚群的 marker genes 及其权重
dc_markers = {
    "cDC1_CLEC9A": {"CLEC9A": 0.8, "BATF3": 0.7, "XCR1": 0.6},
    "cDC2_CLEC10A": {"CLEC10A": 0.9, "CD1C": 0.8, "FCER1A": 0.7},
    "mDC_LAMP3": {"LAMP3": 0.9, "CCR7": 0.8, "CD83": 0.7}
}

# 提取表达数据
expr_matrix = adata.to_df()

def compute_dc_scores(expr_matrix, dc_markers):
    scores = pd.DataFrame(index=expr_matrix.index)
    
    for dc_type, marker_weights in dc_markers.items():
        genes = list(marker_weights.keys())
        weights = np.array(list(marker_weights.values()))
        valid_genes = [g for g in genes if g in expr_matrix.columns]
        valid_weights = weights[:len(valid_genes)]
        if len(valid_genes) == 0:
            continue
        valid_weights = valid_weights / np.sum(valid_weights)
        scores[dc_type] = expr_matrix[valid_genes].dot(valid_weights)
    
    return scores

dc_scores_df = compute_dc_scores(expr_matrix, dc_markers)
adata.obs = adata.obs.join(dc_scores_df)

R 计算 Transitional Potential

如果有 Seurat 对象如何计算？

# 提取表达矩阵
expression_data <- as.data.frame(GetAssayData(seurat_object, slot = "data"))

# 计算 DC Score
dc_scores_df <- compute_dc_scores(expression_data, dc_markers)

# 将计算结果添加到 Seurat 元数据
seurat_object <- AddMetaData(seurat_object, metadata = dc_scores_df)

# 可视化不同 DC Score 在 UMAP 上的分布
FeaturePlot(seurat_object, features = c("cDC1_CLEC9A", "cDC2_CLEC10A", "mDC_LAMP3"))

dc_markers <- list(
  "cDC1_CLEC9A"  = c("CLEC9A" = 0.8, "BATF3" = 0.7, "XCR1" = 0.6),
  "cDC2_CLEC10A" = c("CLEC10A" = 0.9, "CD1C" = 0.8, "FCER1A" = 0.7),
  "mDC_LAMP3"    = c("LAMP3" = 0.9, "CCR7" = 0.8, "CD83" = 0.7)
)

compute_dc_scores <- function(expression_data, dc_markers) {
  scores <- list()
  for (dc_type in names(dc_markers)) {
    marker_genes <- names(dc_markers[[dc_type]])
    weights <- unname(dc_markers[[dc_type]])
    weights <- weights / sum(weights)
    scores[[dc_type]] <- rowSums(expression_data[, marker_genes] * weights)
  }
  return(as.data.frame(scores))
}

dc_scores_df <- compute_dc_scores(expression_data, dc_markers)

---

总结

• Figure 6A 构建了 DC 亚群的转换网络，Figure 6B 统计了不同治疗对 DC 转换的影响。
• Transitional Potential 量化了 DC 细胞向不同亚群转换的潜力。
• 计算方法基于 marker gene 加权表达，并可在 Python & R 实现。

✅ 本方法可用于分析 DC 亚群在不同条件下的状态转变，揭示治疗对 DC 免疫调控的影响。