随着人类基因组计划的完成和测序技术的不断发展，单细胞测序技术已应用于多个生物医学领域，且在分析肿瘤细胞亚群、揭示细胞异质性和研究肿瘤的发生、演变及耐药性等方面具有独特的优势。前不久给大家介绍过单细胞数据分析中的细胞通讯分析，今天要为大家介绍恶性肿瘤分析。
inferCNV 是 broad 研究所开发的用来探索肿瘤单细胞 RNA-seq 数据的软件，分析其中的体细胞大规模染色体拷贝数变异（copy number alterations, CNA), 比如整条染色体或大片段染色体的增加或缺失（gain or deletions)。分析原理是，以一组" 正常 "细胞作为参考（通常以免疫细胞作为 reference），分析肿瘤基因组上各个位置的基因表达量强度变化。通过热图的形式展示每条染色体上的基因相对表达量，相对于正常细胞，肿瘤基因组总会过表达或者低表达。相关文章 2014 年就发表在了 Science 上 [1]，之后算法不断优化，分析结果也多次刊登在 CNS 文章上，所以该算法的可靠性还是有顶刊背书的，下图是官方给到的分析流程。
InferCNV procedure
2020 年 7 月 20 日，中山大学肿瘤防治中心、深圳华大生命科学研究院、中山大学生命科学学院与中国科学院深圳先进技术研究院等单位合作在 Cell Research（IF=20.5）杂志上在线发表的鼻咽癌（NPC）研究新成果中 [2]，使用 infer CNV 分析对细胞进行核型，并与 WES 数据一致。分别对正常样本和 15 个肿瘤样本中的上皮细胞的 CNV 图谱进行了分层聚类，肿瘤样本中整个染色体缺失或扩增的细胞被鉴定为恶性细胞，11 个肿瘤样本中鉴定出 7581 个恶性细胞，并进行后续分析。
文章中 inferCNV 结果
inferCNV 结果里面的 CNV 热图，虽然说可以肉眼简单看看不同的细胞亚群是否具有大面积的 CNV 事件来判定它是否是恶性细胞，但是这样的判定具有很大程度的主观性，所以理论上需要有更好的方法，也就是计算具体每个细胞的 CNV score。
scCancer 原理同样是分析每个细胞基因表达值跟参考 ref（数据库自带的 reference）相比的 cnv 信息，并根据整体基因拷贝数变化的情况对细胞进行 cnv 打分（malignScore）。针对癌症的高度异质性和复杂微环境整合了一组适用于肿瘤数据的计算和分析方法，包括肿瘤微环境分析、恶性细胞评估、细胞周期评估、干细胞特征评估、基因集信息得分评估、表达程序识别、细胞间相互作用分析。此外，这种方法也适用于多样本整合分析，可以有效消除批次效应提高数据分析结果可靠性。
根据 malignScore 峰图分布计算阈值，超过阈值认为是恶性细胞
malignScore 分布及分类展示
还有一些研究者使用指定基因的表达量来判断细胞的良恶性 [3]，具体采用哪种分析方法还要根据样本及数据的具体情况来定，当然也可以多做方法结合。
参考文献
[1]Patel Anoop P,Tirosh Itay,Trombetta John J et al. Single-cell RNA-seq highlights intratumoral heterogeneity in primary glioblastoma.[J] .Science, 2014, 344: 1396-401.
[2] Chen Yu-Pei,Yin Jian-Hua,Li Wen-Fei et al. Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with prognosis in nasopharyngeal carcinoma.[J] .Cell Res, 2020, 30: 1024-1042.
[3] Zhang Peng,Yang Mingran,Zhang Yiding et al. Dissecting the Single-Cell Transcriptome Network Underlying Gastric Premalignant Lesions and Early Gastric Cancer.[J] .Cell Rep, 2020, 30: 4317.
更多伯豪生物人工服务：
