?2023年過半了，你上車“單細(xì)胞”了嗎？

“單細(xì)胞測序”剛出現(xiàn)的單獨(dú)測序都能輕輕松松10分+，但受限于測序費(fèi)用很高，樣本制備比較復(fù)雜難度高，所以發(fā)文門檻也比較高。但現(xiàn)在隨著技術(shù)的普及和費(fèi)用的降低（ps：有些測序公司的單細(xì)胞測序價(jià)格已經(jīng)降到了1萬+/樣本，后面會越來越便宜），相應(yīng)地單細(xì)胞測序的門檻也會越來越低，后面利用單細(xì)胞數(shù)據(jù)發(fā)文章也會越來越多（ps：可能就像現(xiàn)在的轉(zhuǎn)錄組一樣，成為測序文章的首選）。所以趁著單細(xì)胞分析熱潮還沒有卷的太厲害，有意向的小伙伴抓緊上車?yán)玻?/span>

?

在小云這里，首推的還是省錢提分最優(yōu)選——單細(xì)胞數(shù)據(jù)分析，無需自己測序，利用公共數(shù)據(jù)或者單細(xì)胞數(shù)據(jù)庫來直接分析，目前它仍是生信文章發(fā)高分的強(qiáng)助攻，趕緊用起來吧！（ps：對單細(xì)胞數(shù)據(jù)分析相關(guān)生信思路感興趣的小伙伴，可以點(diǎn)擊文末鏈接或公眾號搜索觀看哦）

?

話不多說，直接看上實(shí)例！小云這次是以“T細(xì)胞”方向?yàn)槔?，帶小伙伴們看看單?xì)胞與bulk-RNA數(shù)據(jù)分析聯(lián)合，在免疫方向生信中的提分效果。文章利用單細(xì)胞數(shù)據(jù)篩選T細(xì)胞亞群和標(biāo)記基因，然后利用標(biāo)記基因在bulk-RNA數(shù)據(jù)中建模并分析，純生信就輕松拿下6分+的文章，創(chuàng)新性足足的！還是那句話，還在觀望的小伙伴，看到這個(gè)思路心動(dòng)的話就快行動(dòng)起來吧！發(fā)文好時(shí)機(jī)可不等人哦~?~?

l?題目：單細(xì)胞RNA-seq和bulk?RNA-seq的綜合分析揭示了三陰性乳腺癌中T細(xì)胞相關(guān)的預(yù)后風(fēng)險(xiǎn)模型和腫瘤免疫微環(huán)境調(diào)節(jié)

l?影響因子：IF=6.698

l?發(fā)表時(shí)間：2023年5月

研究背景

三陰性乳腺癌(TNBC)是一種侵襲性和致命的惡性腫瘤。目前腫瘤免疫療法的成功將注意力集中在中間T細(xì)胞亞群和腫瘤微環(huán)境上，這對于抗腫瘤反應(yīng)的激活是必不可少的。因此，這兩個(gè)領(lǐng)域都需要進(jìn)一步的研究，以加快為TNBC患者開發(fā)量身定制的免疫治療方法的進(jìn)展。

數(shù)據(jù)來源

研究流程

基于單細(xì)胞數(shù)據(jù)集，使用多重策略來分析和鑒定TNBC的T細(xì)胞異質(zhì)性，識別T細(xì)胞亞群的標(biāo)記基因。通過結(jié)合bulk?RNA數(shù)據(jù)，構(gòu)建并驗(yàn)證了T細(xì)胞標(biāo)記基因的預(yù)后風(fēng)險(xiǎn)模型。此外，使用CIBERSORT分析了TNBC的免疫浸潤細(xì)胞，并研究了風(fēng)險(xiǎn)模型和對免疫療法的反應(yīng)之間的關(guān)聯(lián)。

?

主要結(jié)果

1. TNBC中的細(xì)胞類型分析

GSE176078數(shù)據(jù)集的scRNA-seq數(shù)據(jù)在去除低質(zhì)量細(xì)胞、標(biāo)準(zhǔn)化、整合和PCA之后，25932個(gè)細(xì)胞被分成14個(gè)簇（圖1B），通過標(biāo)記基因注釋后確定了7種細(xì)胞類型（圖1C），其中有4個(gè)簇被注釋為T細(xì)胞類型。小提琴圖和熱圖展示了7種細(xì)胞類型中top1和top10標(biāo)記基因表達(dá)（圖1?F,?G）。然后根據(jù)文獻(xiàn)中列出的T細(xì)胞亞型的標(biāo)記基因，將T細(xì)胞群進(jìn)一步分類和鑒定，被分為17個(gè)細(xì)胞簇，注釋后確定為CD4+T和CD8+T亞群（圖2A, B），特征圖顯示兩種細(xì)胞類型中標(biāo)記基因表達(dá)（圖2D）。

??圖1?TNBC中的細(xì)胞類型分析

?

圖2?T細(xì)胞亞型細(xì)胞圖譜

2. T細(xì)胞相關(guān)的細(xì)胞間通訊分析和擬時(shí)序分析

為了探索T細(xì)胞和其他細(xì)胞類型之間的細(xì)胞間通訊，使用R package Cellchat分析了不同細(xì)胞之間的配體-受體相互作用（圖3A, B）。結(jié)果表明，配體-受體介導(dǎo)的細(xì)胞相互作用主要存在于MIF信號通路（圖3C,?D）。利用Monocle軟件包進(jìn)行T細(xì)胞擬時(shí)序分析，結(jié)果顯示Monocle 2將T細(xì)胞分化大致分為7種分化狀態(tài)，不同狀態(tài)下分化成的CD4+T和CD8+T細(xì)胞2種亞型的含量不同（圖4）。

圖3 T細(xì)胞相關(guān)的細(xì)胞間通訊分析

?

圖4?擬時(shí)序分析

3. 預(yù)后模型的構(gòu)建和評估

從單細(xì)胞數(shù)據(jù)中選擇1299個(gè)T細(xì)胞標(biāo)記基因與METABRIC數(shù)據(jù)集的TNBC表達(dá)矩陣相交獲得候選基因，再進(jìn)行單變量Cox回歸分析獲得106個(gè)預(yù)后基因。然后進(jìn)行Lasso（圖5A）和多變量Cox回歸分析（圖5B），共得到4個(gè)獨(dú)立預(yù)后基因(OPTN、TMEM176A、PKM和HES1)，并構(gòu)建預(yù)后模型。根據(jù)風(fēng)險(xiǎn)評分，TNBC患者被分為低風(fēng)險(xiǎn)組或高風(fēng)險(xiǎn)組，進(jìn)行KM生存分析并利用ROC曲線評估預(yù)測性能（圖5 C,D）。（ps：Cox回歸分析、Lasso回歸分析、生存分析也可以用小云新開發(fā)的零代碼生信分析小工具實(shí)現(xiàn)，云生信分析工具平臺包含超多零代碼小工具，上傳數(shù)據(jù)一鍵出圖，感興趣的小伙伴歡迎來參觀喲，網(wǎng)址：http://www.biocloudservice.com/home.html）。

圖5 預(yù)后模型的建立和評估

4. TNBC與免疫細(xì)胞浸潤和免疫檢測點(diǎn)的相關(guān)性分析

首先基于METABRIC數(shù)據(jù)集，使用CIBERSORT算法分析腫瘤浸潤性免疫亞群的比例，并比較高低風(fēng)險(xiǎn)組間的免疫細(xì)胞浸潤差異（圖6B），然后利用Estimate R包計(jì)算高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)患者間的免疫評分、基質(zhì)評分、估計(jì)評分和腫瘤純度差異（圖6C）。最后又分析了高低風(fēng)險(xiǎn)組間的免疫檢查點(diǎn)表達(dá)差異（圖6D）。（ps：免疫浸潤分析也可以用云生信平臺分析工具實(shí)現(xiàn)哦，網(wǎng)址：http://www.biocloudservice.com/home.html，歡迎朋友們來探索~?~）

圖6 免疫浸潤分析

文章小結(jié)

這篇文章在單細(xì)胞部分做的分析非常豐富和全面，整體篇幅占比較高，然后再利用單細(xì)胞數(shù)據(jù)分析得到的“T 細(xì)胞標(biāo)記基因”進(jìn)行預(yù)后模型構(gòu)建和分析，兩者聯(lián)合大大提高了文章的創(chuàng)新性和競爭力，再加上免疫方向的熱度，拿下6分+的純生信還是相當(dāng)簡單的！用好單細(xì)胞數(shù)據(jù)，高分文章隨你發(fā)，該出手時(shí)就出手吧！