IF 16+ 非小细胞肺癌的单细胞和空间转录组学分析

非小细胞肺癌的单细胞与空间转录组分析
最新推荐文章于 2025-10-17 10:17:49 发布
原创 最新推荐文章于 2025-10-17 10:17:49 发布 · 1.2k 阅读 · 16 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

图片

摘   要

肺癌是第二常见的癌症，也是全球癌症相关死亡率的主要原因。肿瘤生态系统具有多种免疫细胞类型。特别是髓样细胞很普遍，在促进疾病方面发挥着公认的作用。在我们的研究中，我们通过单细胞和空间转录组学分析了25名腺癌和鳞状细胞癌初治患者的约90万个细胞。我们注意到抗炎巨噬细胞和NK细胞/T细胞之间存在负相关关系，并且肿瘤内NK细胞的细胞毒性降低。虽然我们在腺癌和鳞状细胞癌中观察到相似的细胞类型组成，但我们检测到各种免疫检查点抑制剂的共表达存在显著差异。此外，我们揭示了肿瘤中巨噬细胞转录“重编程”的证据，将其转移到胆固醇输出，并采用促进铁外流的胎儿样转录特征。我们的多组学资源提供了肿瘤相关巨噬细胞的高分辨率分子图谱，加深了我们对它们在肿瘤微环境中作用的理解。

数据收集

scRNA-seq (N=24 patients)

Visium (N=8 patients)

软件使用

单细胞分析软件包列表

软件包名称

主要应用领域

官方链接
CellRanger

单细胞RNA测序原始数据处理

10x Genomics
Harmony

多数据集批次校正与整合

GitHub
DropletUtils

液滴数据质控与空滴检测

Bioconductor
Scanpy

Python单细胞分析全流程

官方网站
Seurat

R语言单细胞分析标准工具包

官方网站
Scrublet

双细胞检测与过滤

GitHub
harmonypy

Python版Harmony批次校正

GitHub
harmonyR

R语言版Harmony批次校正

GitHub
scArches

单细胞参考图谱映射与迁移学习

GitHub
CellPhoneDB

细胞间通讯网络分析

GitHub
DESeq2

差异基因表达分析（伪bulk模式）

Bioconductor
Pegasus

大规模单细胞云端分析平台

官方网站
PAGA

细胞轨迹与分化路径推断

GitHub
CopyKAT

肿瘤细胞拷贝数变异检测

GitHub
cell2location

空间转录组细胞类型定位

GitHub

关键应用场景

  1. 数据预处理

  • CellRanger: 原始测序数据处理

  • DropletUtils: 液滴数据质控

  • Scrublet: 双细胞过滤

  • 数据整合

    • Harmony/harmonypy/harmonyR: 批次校正

    • scArches: 参考图谱整合

  • 核心分析

    • Scanpy/Pegasus: 标准化分析流程

    • Seurat: 双细胞过滤

    • DESeq2: 差异表达分析

    • PAGA: 发育轨迹重构

    • CopyKAT: 肿瘤异质性分析

  • 高级应用

    • CellPhoneDB: 细胞互作网络

    • cell2location: 空间位置解析

    统计方法

    Wilcoxon rank-sum test

    Wilcoxon signed-rank test

    a two-sided Bonferroni correction

    实验方法

    Immunohistochemistry (IHC) and neutral lipid staining

    Multiplexed Immunofluorescence

    Image analysis

    研究成果

    1.单细胞转录组学揭示非小细胞肺癌的异质性

    A 研究概述。

    B 队列概述。

    C UMAP投影和组合背景+健康数据集。

    D 用于肿瘤样本中广泛细胞类型注释的代表性基因的点图。

    E 等值线图显示了AT2细胞、CAML和AIMɸ中髓系和上皮基因的共表达。

    F 盒图显示AT2细胞、CAML和AIM中髓系和上皮基因的正常化、标度化和对数转化的基因表达。

    G 在CD235富集范围内计算的肿瘤和背景中非免疫细胞亚群的相对比例。

    2.整合的单细胞和空间转录组学揭示了LUAD和LUSC中不同的相互作用网络

    A 整合的单细胞和空间转录组学揭示了LUAD和LUSC中不同的相互作用网络。

    B 热图显示了LUAD和LUSC中广泛的细胞注释总结的所有细胞类型之间的LR相互作用数量。

    C ICI在LUAD和LUSC中的肿瘤特异性相互作用。

    D 突出显示的ICI基因和细胞类型的点图。

    E VEGFA/B相互作用物在LUAD和LUSC中的肿瘤特异性相互作用。

    F EGFR相互作用物在LUAD和LUSC中的肿瘤特异性相互作用。

    3.10x Visium证实了关键配体-受体对的空间共定位

    A 一张空间图像描绘了代表性肿瘤切片上AT2细胞、AIM和Tregs的细胞丰度。

    B 根据肿瘤和背景切片中细胞2位置的细胞丰度估计计算的免疫和非免疫细胞类型的相对比例。

    C 空间LR共定位热图。

    D 方框图显示了在所分析的每个切片中，肿瘤与背景中结肠定位LR对的频率存在显著差异。

    E 空间图像描绘了NRP1-VEGFA、NECTIN2-TIGIT、PD1

最低0.47元/天 解锁文章
桓峰基因
关注
IF 48.5+ 单细胞转录组分析揭示小细胞肺癌的肿瘤异质性
weixin_41368414的博客
08-04 1069
研究结果表明，人类小细胞肺癌存在显著的异质性，且在单细胞分辨率下癌细胞与肿瘤微环境之间存在密切的相互作用，从而为更好地理解SCLC的生物学特性以及开发新的SCLC治疗方法奠定了基础。c、d 饼状图展示了来自CCLE中的50个小细胞肺癌细胞系以及乔治等人所描述的81个小细胞肺癌肿瘤样本中不同免疫特征的比例。b 对SCLC-P2中恶性细胞的UMAP图显示了由细胞起源划分的原发性和复发性肿瘤中的特定簇。a 对来自九名小细胞肺癌患者中的恶性细胞进行的UMAP图分析揭示了肿瘤特异性的簇。
Natutre Methods|单细胞+空间转录，值得去复现的开源单细胞分析pipeline
wcy1995427的博客
07-28 674
多组学资源提供了肿瘤相关巨噬细胞的高分辨率分子图谱，增强了我们对其在肿瘤微环境中的作用的理解。使用python及R进行实现，使用单细胞转录组学进行非小细胞肺癌的异质性、多组学（单细胞转录+空间转录）分析了非小细胞肺癌中腺癌和鳞癌的不同互相作用网络、10x Visium 证实了关键配体-受体对的空间共定位、CAML 共享肿瘤 CNA 并与肿瘤细胞共定位、肿瘤巨噬细胞经历癌胎重编程、STAB1  + Mɸ 进行癌胚重编程等。
NC文章|空间转录组+表观基因组+全基因组多组学分析，揭示肺腺癌进展中的分子水平变化与空间表征
m0_59164520的博客
01-29 1339
作者对。
文献分享---肿瘤微环境的空间解析基因表达谱揭示肺腺癌发展的关键步骤（scRNA + visium + xenium）
weixin_53637133的博客
12-06 1057
文献分享---肿瘤微环境的空间解析基因表达谱揭示肺腺癌发展的关键步骤（scRNA + visium + xenium）
scRNA肿瘤细胞鉴定神器：copykat
weixin_47195452的博客
08-16 784
拷贝数变异（Copy number alterations，以下简称CNA，也成CNV）是一种重要的基因组变异，在癌症的发生和发展过程中起着至关重要的作用。
多组学文章分享----非小细胞肺癌脑转移的单细胞和空间基因组图谱
weixin_53637133的博客
03-03 535
多组学文章分享----非小细胞肺癌脑转移的单细胞和空间基因组图谱
IF 15.7+ 空间转录组测序揭示了非小细胞肺癌中的空间轨迹
weixin_41368414的博客
08-14 862
肺癌是全球第二常见的癌症，也是癌症相关死亡的首要原因。在我们的研究中，我们通过单细胞和空间转录组学对25名未经治疗的腺癌和鳞状细胞癌患者的约90万个细胞进行了分析。A 图片展示了由cell2location算法估算的AT2细胞、AIMɸ细胞和调节性T细胞在代表性肿瘤切片中的细胞丰度情况。I 在肿瘤和背景中广泛注释内的NK、DC、B、T和巨噬细胞子集的相对比例，是在CD235富集范围内计算得出的。B 层面图展示了“STAB1基因特征”在公开可用的人类胎儿肺图谱中所识别的髓系细胞和祖细胞群体中的表达水平。
基因组+单细胞--多组学分析揭示复发性非小细胞肺癌的生物学机制与临床见解
weixin_53637133的博客
10-17 685
基因组+单细胞--多组学分析揭示复发性非小细胞肺癌的生物学机制与临床见解
IF 14+ 单细胞分析晚期非小细胞肺癌的肿瘤异质性和微环境
weixin_41368414的博客
07-21 930
癌症细胞和肿瘤微环境中的细胞共同决定疾病进展，以及对治疗的反应或逃避治疗。为了绘制晚期非小细胞肺癌（NSCLC）中癌症细胞的细胞类型特异性转录组景观及其肿瘤微环境，我们通过单细胞RNA测序分析了来自III/IV期NSCLC患者的42份组织活检样本，并呈现了晚期NSCLC的大规模单细胞分辨率图谱。除了先前肺癌早期单细胞研究中描述的细胞类型外，我们还能够识别肿瘤中罕见的细胞类型，如毛囊树突状细胞和T辅助17细胞。a 6种T细胞亚型和2种NK细胞亚型的UMAP可视化和通过singleR预测的T细胞亚群。
Cancer Discovery | 非小细胞肺癌的空间蛋白组学研究再添新篇章
sh_Wayen的博客
06-21 1293
来自Francis Crick研究所的团队在《Cancer Discovery》（IF=28.2）发表的一项题为“Spatial Architecture of Myeloid and T Cells Orchestrates Immune Evasion and Clinical Outcome in Lung Cancer”的研究采用了成像质谱流式（IMC）等多种技术对早期NSCLC患者的肿瘤和正常区域进行了深入的空间和表型分析，揭示了TME的四种主要空间结构并探讨了其与免疫逃逸和临床结果之间的关系。
Oracle民宿管理数据库实训[项目源码]
11-24
该项目为Oracle数据库实训项目，专注于民宿管理系统的数据库设计与实现。项目包含房间管理、入住管理、餐饮管理、活动管理、评价模块和留言板块六大功能模块，通过纯SQL操作实现各项功能。项目详细介绍了数据库的概念模型和物理模型设计，包括表空间创建、用户权限管理、触发器与存储过程的实现。此外，项目还提供了完整的测试用例，验证了系统的功能完整性和数据安全性。通过该项目，学生可以深入理解Oracle数据库的实际应用，掌握数据库设计、SQL编程及权限管理等核心技能。
Redis安全漏洞全解析[项目源码]
11-24
本文详细解析了Redis未授权访问漏洞的成因、影响版本及防御措施，包括主从复制原理分析与本地靶场实战。文章首先介绍了Redis的基本概念和特点，随后深入探讨了未授权访问漏洞的成因、影响版本及防御措施。接着，详细讲解了在CentOS 7上部署Redis的步骤，包括安装准备、下载安装、服务管理和防火墙配置。文章还提供了Redis未授权访问漏洞的验证方法和演示，包括定时任务、SSH公钥写入和Web目录shell写入等利用方式。此外，还介绍了Redis主从复制机制、持久化与主从复制的关系，以及单机模拟Redis主从复制的步骤。最后，文章通过Vulfocus靶场实战演练，展示了Redis Lua沙盒绕过命令执行(CVE-2022-0543)和Redis未授权访问漏洞的利用方法。
Continuous-Time Linear System Optimal Control with Unknown Dynamics
11-24
针对连续时间线性系统在动态特性完全未知情况下的自适应最优控制策略研究。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
listary工具 可用于快速搜索资料文件
最新发布
11-24
listary工具 可用于快速搜索资料文件
乐观中考生任务管理[代码]
11-24
本文详细解读了PTA题目《6-5 2017Final 乐观的中考生》的背景、输入输出要求及函数接口定义。题目描述了一位中考生小林在照顾弟弟的同时，如何高效管理作业任务。内容涵盖了任务链表的构建、插入、显示及学习过程的实现，包括任务优先级的处理、任务持续时间的筛选以及链表操作的具体代码实现。通过输入样例和输出样例的解析，展示了程序的实际运行效果，并对每个函数的功能和实现思路进行了详细说明。
OpenWRT进程间通信[项目源码]
11-24
本文详细介绍了OpenWRT系统中的进程间通信机制ubus，包括其核心组件ubusd守护进程、libubus库以及命令行工具ubus的功能和使用方法。ubusd负责消息路由和传递，libubus简化了应用程序的开发，而ubus命令行工具则提供了与ubusd交互的便捷方式。此外，文章还对比了ubus与DBus的异同，并探讨了基于ubus的应用开发，如通过HTTP协议和Lua脚本访问ubus。最后，介绍了procd、netifd和rpcd等提供的ubus服务。
STM32智能红绿灯设计[可运行源码]
11-24
本项目基于STM32微控制器设计了一个智能红绿灯系统，通过集成红外传感器、LED指示灯和蜂鸣器等模块，实现对交通流量的实时检测和信号灯的智能控制。系统能够根据车辆流量自动调整红绿灯切换时间，提升道路通行效率，适用于城市十字路口和校园路口等场景。文章详细介绍了硬件连接、STM32CubeMX配置、主程序编写及智能控制逻辑的实现步骤，并提供了常见问题的解决方法。该系统结构简单，控制逻辑清晰，为交通管理提供了便捷的智能化解决方案。
坐标转换方法[可运行源码]
11-24
本文详细介绍了不同坐标系之间的转换方法，包括火星坐标GCJ02、百度坐标BD09II、WGS84坐标以及墨卡托坐标的相互转换。内容涵盖了经纬度转换的具体实现代码，如百度坐标转火星坐标、火星坐标转百度坐标、地球坐标系WGS84转火星坐标系GCJ02等。此外，还提供了经纬度与墨卡托坐标之间的转换方法，包括经纬度转墨卡托和墨卡托转经纬度的实现代码。这些转换方法在JavaScript中实现，适用于地图开发中的坐标转换需求。
Lua语法规范与变量[可运行源码]
11-24
本文详细介绍了Lua语言的语法命名规范、分号的使用、注释方法以及全局变量和局部变量的定义与区别。Lua标识符由字母、数字和下划线组成，不能以数字开头，且对大小写敏感。分号在Lua中是可选的，但推荐使用以提高代码可读性。注释分为单行和多行两种，多行注释可通过自定义符号实现更灵活的注释方式。全局变量无需声明即可使用，未初始化的全局变量返回nil；局部变量则仅限于声明它的代码块内生效，且会覆盖同名全局变量。文章还探讨了局部变量的优势，如避免命名冲突、提高访问速度和内存管理，并介绍了do-end代码块在控制局部变量作用域中的应用。最后，提到了strict.lua模块用于检查全局变量，以及局部变量在保留原始值和动态替换中的常见用法。
空间转录组联合单细胞转录组
01-07
### 空间转录组与单细胞转录组联合分析 #### 方法概述 为了更好地理解复杂组织中的细胞异质性和空间分布，将空间转录组与单细胞转录组数据相结合成为了一种强有力的研究手段。这种组合不仅保留了单细胞分辨率下的基因表达特征，还增加了空间维度的信息，使得研究人员可以探索特定区域内细胞类型的特异性及其相互作用。 #### 数据预处理 在进行联合分析前，通常先要对两种类型的数据分别进行标准化和质量控制。对于10X Genomics平台产生的空间转录组数据，可以通过Cell Ranger软件完成初步的质量评估和过滤操作[^2]；而对于单细胞RNA-seq数据，则需利用Seurat或其他类似的工具来进行降维、聚类以及去除低质量样本等工作。 #### 整合策略 目前存在多种用于整合这两种不同类型数据集的技术方案： - **基于共同标记基因匹配**：寻找两套数据集中都高度表达的一系列标志性的housekeeping genes作为桥梁，在此基础上构建统一坐标系来表示每种细胞的位置关系。 - **图神经网络模型（GCNs）**：这种方法借鉴了机器学习领域内的概念，通过建立节点代表各个spot或cell，并赋予边权重反映它们之间的物理距离或者分子相似度，进而训练深层架构捕捉全局模式并预测未知属性[^1]。 - **LIGER框架下执行iNMF分解**：这是一种特别针对跨模态数据分析设计出来的矩阵因子化技术，它允许同时考虑多个输入源而不会丢失各自特性的同时找到潜在公共结构[^5]。 #### 应用实例 上述提到的方法已经被广泛应用于实际科研项目当中。例如，在一项关于非小细胞肺癌的研究里，科学家们就采用了Python脚本配合R语言编写了一系列自动化工作流，成功揭示出了肿瘤微环境中不同亚群间的通讯机制及动态变化规律[^3]。另外还有研究者通过对健康个体肺部组织样品实施全方位扫描后发现了一些以前未曾报道过的新型免疫细胞生态位的存在形式[^4]。 ```python import scanpy as sc from scipy.sparse import csr_matrix import numpy as np def preprocess_spatial_data(spatial_adata): """Preprocess spatial transcriptomic data.""" # Normalize and filter the spatial dataset sc.pp.normalize_total(spatial_adata, target_sum=1e4) sc.pp.log1p(spatial_adata) def integrate_sc_and_st(sc_adata, st_adata): """Integrate single-cell and spatial datasets using Seurat's integration method""" common_genes = list(set(sc_anchors.var_names).intersection(st_spots.var_names)) # Subset both AnnData objects to only include these common genes sc_common = sc_adata[:, common_genes].copy() st_common = st_adata[:, common_genes].copy() # Integrate with Scanorama or Harmony etc. integrated_anndata = ... # Placeholder for actual integration code return integrated_anndata ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值