谁懂这样的文章的含金量啊！中山大学黄岩团队：scRNA-seq+RNA-seq分析ICI响应拿下7分+文章，亮点多多- 大数跨境

谁懂这样的文章的含金量啊！中山大学黄岩团队：scRNA-seq+RNA-seq分析ICI响应拿下7分+文章，亮点多多

生信日报

2024-06-01

不知道大家是否和小记者一样，在阅读一些写作非常冗长的文章时，会非常烦恼。有的时候后面的内容还没搞懂，前面的就忘记了（这里就不点名说是哪些期刊的文章啦！）。相比之下，小记者就非常喜欢那些正文使用几张简单的图加表就表述的非常清楚的文章。就像接下来小记者给大家分享的文章一样，主体的结果部分就四个章节，却讲的十分透彻。好了，话不多说，咱们一起看看这篇发表在《Journal of Translational Medicine》（IF=7.4）杂志上的组学研究文章：

1.研究综合分析了scRNA-seq和批量的RNA-seq数据：研究整合利用单细胞和批量转录组数据进行分析包括细胞类型鉴定、细胞亚群的发现、基因调控网络推断等。

2.研究揭示了肿瘤微环境的重要性：研究通过regulon模块分析揭示了肿瘤微环境中免疫细胞的动态变化。

3.研究构建了PPARG调节子关联网络和髓系细胞图谱：该工作有助于识别与免疫治疗效果密切相关的细胞亚群。

PS：总的来说，本研究是对scRNA-seq和RNA-seq数据的很好的利用，并且这些数据大都来自公开的数据库。这对于咱们来说，可是最棒的了。另外，本研究使用到的一些先进的生信工具是非常值得学习的，像GENIE3、pySCENIC、RcisTarget等等。如果大家对它们感兴趣的话，欢迎扫码添加微信找小记者一起学习与进步哦~

题目：单细胞和批量RNA测序数据的综合分析揭示了一种髓样细胞相关调节子，可预测癌症的新辅助免疫治疗反应

杂志：Journal of Translational Medicine

影响因子：IF=7.4

发表时间：2024年5月

后台回复“999”获取原文献，文献编号240602

需要原文献DOI请直达文末~

研究背景

免疫检查点抑制剂（ICIs）能够破坏癌细胞对免疫监视的逃避，显著改变癌症的治疗模式。尽管ICIs在特定癌症患者中显示出活性，但其有效性仍受限制。本研究通过单细胞RNA测序分析和转录因子调控网络模块分析，旨在探索与ICIs响应相关的预测标志物。

数据来源

研究使用了scRNA-seq数据，RNA-seq数据集，以及TCGA泛癌种数据集，具体信息如下（表1）

表1研究使用到的数据及来源

数据集	数据库	数据类型	详细信息
GSE205506	GEO	scRNA-seq数据	19例缺乏d-MMR/MSI-H的结直肠癌患者，在新辅助PD-1阻断治疗下，其肿瘤中免疫和基质细胞动态
GSE207422	GEO	scRNA-seq数据	一例可切除的非小细胞肺癌（NSCLC）患者在PD-1阻断联合化疗前后肿瘤微环境（TME）的变化
GSE126044	GEO	RNA-seq数据	16例非小细胞肺癌患者在抗PD-1治疗期间的转录谱差异
GSE135222	GEO	RNA-seq数据	27例晚期非小细胞肺癌患者在接受抗PD-1/PD-L1治疗期间的RNA转录组
Orient-11数据集	-	RNA-seq数据	晚期非鳞状细胞非小细胞肺癌（NSCLC）患者接受抗PD-1治疗效果的研究
PRJEB23709	NCBI	RNA-seq数据	接受抗PD-1单药或联合抗PD-1和抗CTLA-4免疫治疗的转移性黑色素瘤患者的转录组和免疫表型特征

研究思路

首先，研究利用层次聚类和Euclidean距离分析调控模块，识别不同的调控模块，并构建了调控网络以进行相关研究。然后，研究定义了每个模块与特定细胞类型相关的活性分数，并确定了每个模块的主要细胞类型。随后，研究进行了髓系细胞纯化，并进行生存分析。最后，研究发现PPARG调控子可能与免疫治疗响应相关，特别是PPARG AUCell得分高的细胞群与免疫治疗疗效紧密关联。（图1）

图1 研究摘要

主要结果

1.单细胞序列分析和细胞类型鉴定

研究对GSE207422这一单细胞RNA测序数据进行了质量控制和批次效应校正，最后共得到了10441个单细胞，并把它们聚类为13个主要集群（图2A，B）。研究还对特定簇的基因进行了分析，并使用经典标记物对细胞类型进行了注释。此外，为了表征治疗后肿瘤微环境的重塑，研究计算了在不同治疗阶段患者中不同细胞类型的比例（图2C）。

图2 识别浸润的细胞类型

2.调节子被组织成组合模块

研究利用SCENIC方法，包括通过共表达分析、靶基因启动子富集分析和调控子活性评估等识别了139个显著的调控子，其中包含8839个靶基因（图3A，B）。这些调控子可以组织成14个主要模块，并且研究发现它们可帮助区分不同细胞类型以及治疗前后的状态（图3C）。此外，研究通过方差分量、调控子特异性评分分析等发现PPARG调控子在髓系细胞中显著活跃，并可能影响免疫治疗效果（图3D-G）。

图3 组合调节子模块的识别

3.PPARG调节子是免疫治疗反应的预测因子

研究通过AUCell和GSVA验证了PPARG调控子的功能（图4）。基于单变量Cox回归分析，研究发现，在TCGA泛癌队列中，高低PPARG调控子之间没有预后差异，但在接受新辅助免疫治疗联合化疗后，PPARG调控子的评分在达到pCR组中明显提高。并且，研究在另一个CRC scRNA-seq数据集中得到了相同的结果。研究表明高PPARG评分与更好的预后相关，并且PPARG调控子与免疫得分呈正相关。

图4 PPARG调节子的临床功能

4.PPARG +髓样细胞图谱

研究使用scGate在LUAD和CRC样本中得到18488个髓系细胞。随后，基于PPARG的AUCell值，研究构建了一个PPARG+髓系细胞图谱，并将细胞分为14个群集。之后，研究分析发现群集I、II和III表现出较高的PPARG表达，并通过外部验证显示结果，表明群集I、II和III与免疫治疗反应相关。最后，研究还建立了一个PPARG网站。

文章小结

总的来说，本研究通过整合单细胞和批量转录组数据，对新辅助免疫治疗的响应进行了预测性分析，并特别关注了转录因子调节子在网络中的作用。本研究中，GENIE3、RcisTarget、AUCell、pySCENIC、GRNboost这些工具是非常值得学习与应用的，能为咱们的研究添色不少。另外，新辅助免疫治疗是当下非常棒的一个发文切入点，再结合一些公共的数据库数据展开分析，是非常适合咱们去发相关的一个高分文章的。大家一定要把握住机会哦~今天的分享就到这儿咯，最后大家如果在思路设计、文章复现、生信分析等方面有需求的话，可以随时来后台找小记者哦~

https://doi.org/10.1186/s12967-024-05123-9