Appearance
Determining cell type abundance and expression from bulk tissues with digital cytometry.
文献信息
| DOI | 10.1038/s41587-019-0114-2 |
|---|---|
| PMID | 31061481 |
| 期刊 | Nature biotechnology |
| 影响因子 | 41.7 |
| JCR 分区 | Q1 |
| 发表年份 | 2019 |
| 被引次数 | 2402 |
| 关键词 | 数字细胞计数, 细胞类型丰度, 基因表达谱 |
| 文献类型 | Journal Article, Research Support, N.I.H., Extramural, Research Support, Non-U.S. Gov't, Research Support, U.S. Gov't, Non-P.H.S. |
| ISSN | 1087-0156 |
| 页码 | 773-782 |
| 期号 | 37(7) |
| 作者 | Aaron M Newman, Chloé B Steen, Chih Long Liu, Andrew J Gentles, Aadel A Chaudhuri, Florian Scherer, Michael S Khodadoust, Mohammad S Esfahani, Bogdan A Luca, David Steiner, Maximilian Diehn, Ash A Alizadeh |
一句话小结
本研究推出了CIBERSORTx，一种基于机器学习的数字细胞计数方法，能够在不进行细胞分离的情况下推断细胞类型特异的基因表达谱，解决了单细胞RNA测序在大规模样本中的应用限制。通过在多种肿瘤类型中评估其实用性，CIBERSORTx展示了对临床标本的高效解析潜力，预计将推动细胞异质性研究和临床应用的发展。
在麦伴科研 (maltsci.com) 搜索更多文献
摘要
单细胞RNA测序作为一种强大的技术，已成为表征细胞异质性的有效手段，但在大规模样本队列中应用目前仍不切实际，且无法用于例行临床护理中收集的固定标本。我们之前开发了一种名为CIBERSORT的数字细胞计数方法，可以从大块组织转录组中估计细胞类型丰度。现在，我们推出了CIBERSORTx，一种机器学习方法，它扩展了这一框架，能够在不进行物理细胞分离的情况下推断细胞类型特异的基因表达谱。通过最小化平台特异性变异，CIBERSORTx还允许将单细胞RNA测序数据用于大规模组织解剖。我们在多种肿瘤类型中评估了CIBERSORTx的实用性，包括黑色素瘤，其中使用单细胞参考谱来解析大块临床标本，揭示了与不同驱动突变和免疫检查点阻断反应相关的细胞类型特异性表型状态。我们预计数字细胞计数将增强单细胞分析的工作，能够实现无需抗体、细胞解离或活细胞的高效、经济的大规模组织表征。
英文摘要
Single-cell RNA-sequencing has emerged as a powerful technique for characterizing cellular heterogeneity, but it is currently impractical on large sample cohorts and cannot be applied to fixed specimens collected as part of routine clinical care. We previously developed an approach for digital cytometry, called CIBERSORT, that enables estimation of cell type abundances from bulk tissue transcriptomes. We now introduce CIBERSORTx, a machine learning method that extends this framework to infer cell-type-specific gene expression profiles without physical cell isolation. By minimizing platform-specific variation, CIBERSORTx also allows the use of single-cell RNA-sequencing data for large-scale tissue dissection. We evaluated the utility of CIBERSORTx in multiple tumor types, including melanoma, where single-cell reference profiles were used to dissect bulk clinical specimens, revealing cell-type-specific phenotypic states linked to distinct driver mutations and response to immune checkpoint blockade. We anticipate that digital cytometry will augment single-cell profiling efforts, enabling cost-effective, high-throughput tissue characterization without the need for antibodies, disaggregation or viable cells.
麦伴智能科研服务
主要研究问题
- CIBERSORTx在不同类型肿瘤中的应用效果如何？能否提供具体的案例分析？
- 在使用CIBERSORTx时，如何确保数据的准确性和可重复性？
- 数字细胞计数技术如何与传统的细胞分离技术相结合，以提高细胞类型丰度的估算？
- CIBERSORTx如何处理样本中存在的细胞类型混杂问题？
- 未来数字细胞计数技术在临床诊断中的潜在应用场景有哪些？
核心洞察
研究背景和目的
随着单细胞RNA测序技术（scRNA-seq）的发展，研究人员能够更好地理解细胞异质性。然而，该技术在大规模样本和固定组织标本上的应用仍然存在局限性。为此，本研究开发了一种名为CIBERSORTx的数字细胞计数方法，旨在从大规模组织转录组中推断细胞类型丰度及其特定基因表达，而无需进行物理细胞分离。
主要方法/材料/实验设计
CIBERSORTx是一种基于机器学习的计算框架，扩展了之前的CIBERSORT方法，主要通过以下步骤实现细胞类型的丰度估计和特定基因表达分析：
- 构建细胞类型签名矩阵：从单细胞或分选细胞的转录组数据中提取细胞特异性基因表达特征。
- 对照样本数据预处理：应用批量校正技术以消除平台间的技术变异。
- 应用批量校正：通过优化的算法，确保不同来源的数据能够进行有效比较。
- 对组织样本进行转录组分析：对大规模组织样本进行RNA测序。
- 推断细胞类型丰度和特异性基因表达：利用建立的签名矩阵进行细胞类型的丰度和特异性基因表达的推断。
- 结果可视化和数据分析：将结果以热图、图表等形式展示，并进行进一步分析。
关键结果和发现
- CIBERSORTx能够有效推断多种肿瘤类型（如黑色素瘤、头颈部鳞状细胞癌等）的细胞组成和特定基因表达，结果与流式细胞术和免疫组化结果高度一致。
- 通过CIBERSORTx分析，研究人员发现细胞类型特异性表型状态与驱动突变及免疫检查点抑制反应密切相关。
- 该方法还能够在不需要细胞分离的情况下，准确重建细胞类型特异性转录组。
主要结论/意义/创新性
CIBERSORTx为细胞异质性研究提供了一种新的计算工具，能够在大规模组织样本中进行高效的细胞类型分析和基因表达研究。其创新性在于通过机器学习和批量校正技术，实现了细胞类型丰度和特异性基因表达的推断，为癌症研究和个性化医疗提供了新的视角。
研究局限性和未来方向
- 当前CIBERSORTx需要多个组织样本进行表达纯化，未来需要优化算法以适应小样本量的分析。
- 尽管单细胞RNA测序能够提供更高的准确性，但在实际应用中，细胞参考谱的质量仍是影响结果的重要因素。
- 未来研究可以探索将该方法推广到其他物种和基因组数据类型，以进一步提升其应用范围。
引用本文的文献
- Computational approaches for characterizing the tumor immune microenvironment. - Candace C Liu;Chloé B Steen;Aaron M Newman - Immunology (2019)
- An elastic-net logistic regression approach to generate classifiers and gene signatures for types of immune cells and T helper cell subsets. - Arezo Torang;Paraag Gupta;David J Klinke - BMC bioinformatics (2019)
- The TMEM106B FTLD-protective variant, rs1990621, is also associated with increased neuronal proportion. - Zeran Li;Fabiana H G Farias;Umber Dube;Jorge L Del-Aguila;Kathie A Mihindukulasuriya;Maria Victoria Fernandez;Laura Ibanez;John P Budde;Fengxian Wang;Allison M Lake;Yuetiva Deming;James Perez;Chengran Yang;Jorge A Bahena;Wei Qin;Joseph L Bradley;Richard Davenport;Kristy Bergmann;John C Morris;Richard J Perrin;Bruno A Benitez;Joseph D Dougherty;Oscar Harari;Carlos Cruchaga - Acta neuropathologica (2020)
- Next-generation computational tools for interrogating cancer immunity. - Francesca Finotello;Dietmar Rieder;Hubert Hackl;Zlatko Trajanoski - Nature reviews. Genetics (2019)
- Identification of non-cancer cells from cancer transcriptomic data. - Michele Bortolomeazzi;Mohamed Reda Keddar;Francesca D Ciccarelli;Lorena Benedetti - Biochimica et biophysica acta. Gene regulatory mechanisms (2020)
- ADAPTS: Automated deconvolution augmentation of profiles for tissue specific cells. - Samuel A Danziger;David L Gibbs;Ilya Shmulevich;Mark McConnell;Matthew W B Trotter;Frank Schmitz;David J Reiss;Alexander V Ratushny - PloS one (2019)
- RNA-seq from archival FFPE breast cancer samples: molecular pathway fidelity and novel discovery. - Nathan D Pennock;Sonali Jindal;Wesley Horton;Duanchen Sun;Jayasri Narasimhan;Lucia Carbone;Suzanne S Fei;Robert Searles;Christina A Harrington;Julja Burchard;Sheila Weinmann;Pepper Schedin;Zheng Xia - BMC medical genomics (2019)
- SCDC: bulk gene expression deconvolution by multiple single-cell RNA sequencing references. - Meichen Dong;Aatish Thennavan;Eugene Urrutia;Yun Li;Charles M Perou;Fei Zou;Yuchao Jiang - Briefings in bioinformatics (2021)
- Profiling Cell Type Abundance and Expression in Bulk Tissues with CIBERSORTx. - Chloé B Steen;Chih Long Liu;Ash A Alizadeh;Aaron M Newman - Methods in molecular biology (Clifton, N.J.) (2020)
- Human Plasmacytoid Dendritic Cells and Cutaneous Melanoma. - Matilde Monti;Francesca Consoli;Raffaella Vescovi;Mattia Bugatti;William Vermi - Cells (2020)
... (2392 更多 篇文献)
© 2025 MaltSci 麦伴科研 - 我们用人工智能技术重塑科研