由单细胞层面探究鼻咽癌的肿瘤异质性和细胞间的互作网络

今天给大家分享一篇于2021年2月发表于《NATURE COMMUNICATIONS》的一篇应用单细胞免疫组技术的文章，文章题目为《Tumour heterogeneity and intercellular networks of nasopharyngeal carcinoma at single cell resolution》。
文章题目简单直接的概括了当今肿瘤研究的热点， TME(肿瘤微环境)与intercellular networks（细胞之间互作）。
接下来小编借着这篇文章与大家分享一下，当今热门的肿瘤微环境等热点研究是如何与单细胞免疫组相结合的。
样本队列
作者一共入组了10例NPC（鼻咽癌）病例，取了肿瘤与血液配对样本，基于10X平台完成了5’ mRNA表达谱测序与TCR测序。注：小编经验，研究过程中如果不确定所关注的样本里面是否有足够比例的免疫细胞做VDJ seq, 建议可以流式等技术做下确认，并且也方便与后续的单细胞样本细胞比例进行互相验证。
分析内容

本文插图

细胞捕获结果：数据量方面，平均每个样本测了380 ， 000 ， 000条reads ，大约在120GB左右，数据的饱和度大约在90.75% (75.90%–94.50%) 。经过作者严格的质控（多细胞，基因数较少的细胞）之后，一共获得了176447个细胞，其中（82,622 来自肿瘤， 93,825来自PBMC）。
常规分析
通过对细胞进行降维，获得细胞亚群。作者选用了主流的R 包 Seurat进行了处理。同时，基于每个亚群高表达的基因与常规的marker作者进行了细胞亚群的注释， CD4T细胞（基因标记：PTPRC、CD3D、CD4）、CD8T细胞（PTPRC、CD3D、CD8A）、骨髓细胞（CD14、用于CD11C的ITGAX）、B细胞（CD19 ， MS4A1）和NK细胞（FCGR3A和NCAM1）、除此之外，作者还在TME细胞中鉴定到56个成纤维细胞与7个内皮细胞，基于这些分析结果，作者对用不同的展示方式对数据进行了多种描述。

本文插图

UMAP降维图
（关于umap和tsne的差别可以单开一期细讲，概括来说， TSNE所分出的群和群之间的距离远近是没有意义的，但是UMAP是有的。为了方便客户，我们的标准报告中两种降维方式都提供了。）

本文插图

喜闻乐见的marker细胞映射图

本文插图

不同来源的UMAP映射图

本文插图

细胞数目占比图
再分群来揭示免疫细胞的异质性与免疫组库的多样性
接下来作者将141,875个NK细胞、T细胞放在一起进行了聚类，一共分成了32个亚群。完成每个亚群的定义之后，作者通过亚群之间的差异分析观察到一系列差异表达的基因，挑选出其中的一些明星基因进行了介绍，例如耗竭相关的exhaustion markers (LAG3, TIGIT,PDCD1, HAVCR2, and CTLA4) ，效应杀伤性相关的markers effector molecules (GZMB,GZMK, INFG, NKG7, GNLY, and IL2)在某些特定的细胞类群里面高表达，由此可以解释T细胞在TME环境中的抗肿瘤的同时也受抑制等现象。接下来，作者就对其中几个亚群进行了一下描述（比如哪一类亚群表达怎样的特征，表达怎样的基因，在样本间有无数量上的差异. Etc.）。