2月最新14+Advanced Science文章，自测单细胞数

发表杂志名称：Advanced Science

影响因子：14.3

online 时间：2025.2.17

2. 研究概述

肝细胞癌（HCC）是癌症相关死亡的主要原因，目前对其致癌机制理解有限。本研究对 22 例 HCC 患者样本进行单细胞核 RNA 测序，发现 10 种不同的肝细胞亚型，且这些亚型与患者预后密切相关。通过整合 29 个公共 HCC 数据集，构建了分位数分布模型（QDM），该模型诊断准确率高（AUC = 0.968 - 0.982），并筛选出关键基因 PDE7B，其抑制会促进 HCC 进展。依据特定肝细胞亚型的基因特征，将 HCC 分为代谢型、炎症型和基质型，明确了各型的临床特征及敏感药物。本研究提供了大量单细胞肝细胞数据，为 HCC 的诊断、预后评估和个性化治疗提供了新视角和框架

3. 研究结果

图 1：基于 snRNA - seq 揭示 HCC 的主要细胞类型和整体转录组特征：

收集 77 例 HCC 患者的 209 份肝组织样本，结合单细胞核 RNA 测序（snRNA - seq）和批量 RNA 测序（bRNA - seq）研究肝癌发生机制（图 1A）。通过 snRNA - seq 获得 174756 个细胞的单细胞转录组谱，注释出 6 种主要细胞类型，其中肝细胞占比 85.23%，接近正常生理状态（图 1B、C）。bRNA - seq 样本相关性分析显示，癌旁和正常组织分子特征相似（图 1D）。差异表达基因（DEGs）分析发现，癌组织与癌旁、正常组织相比有大量 DEGs，而癌旁与正常组织间 DEGs 较少（图 1E）。KEGG 富集分析表明，共下调 DEGs 参与多种代谢和细胞因子相关途径，共上调 DEGs 与细胞周期等途径相关（图 1F）。这些结果全面展示了 HCC 的细胞组成和转录组特征，为后续研究奠定基础

图 2：解析 HCC 肝细胞在发病机制方面的基因组进化：

从 snRNA - seq 数据中提取 148182 个肝细胞，重新聚类为 10 个亚型（图 2A）。研究发现 Hep7/8/9 多数细胞来自癌组织，Hep0 主要来自癌旁组织，Hep7 和 Hep8 具有肿瘤间异质性（图 2A）。细胞周期分析显示 Hep1 主要处于 G1/G0 期，Hep0/2 主要处于 S 期（图 2B）；RNA 速度分析表明 Hep1 转录动力学最不活跃（图 2C）。通过 inferCNV 鉴定出各亚型不同的拷贝数变异（CNV）区域模式（图 2D），分析 Hep0/2/9 的 CNV 模式发现与 DEGs 相关，PDE7B 基因在 Hep9 的高频缺失 CNV 区域且表达下调（图 2E）。构建亚克隆结构和可视化肿瘤进化，发现早期 CNV 事件具有一致性，如 19q 的增益在 72.7% 的患者中存在（图 2F）。CNV 评分显示 Hep9 最高，临床相关性分析表明，Hep9 高比例与患者血清 AFP 水平升高、调节性 T 细胞（Tregs）增多、预后不良相关，Hep0 则相反（图 2G - I）。这些结果深入解析了 HCC 肝细胞的基因组进化及其与临床特征的关系

图 3：用 snRNA - seq 解码 HCC 肝细胞的分子通路：

以 Hep0 为参考进行多通路富集分析，发现 Hep1 - Hep9 中肝代谢功能普遍抑制，如能量和氨基酸代谢途径（图 S3A），同时多个亚型中 “ABC 转运体” 和 “PPAR 信号通路” 下调。对 Hep1 - Hep9 上调基因的多通路富集分析显示各亚型通路激活存在差异，如 Hep1 胆固醇代谢上调，Hep2 脂肪酸代谢改变显著等（图 3A）。基因交集分析发现多个 HCC 相关基因在多个亚型中持续下调（图 3B）。KEGG 分析确定了 Hep0 与 Hep2/9 比较时的关键通路（图 3C），基因集富集分析（GSEA）进一步揭示了两组间基因表达和生物过程的变化（图 3D）。这些结果详细揭示了 HCC 肝细胞各亚型的分子通路特征，有助于理解 HCC 的发病机制

图 4：整合 snRNA - seq 和 bRNA - seq 探索 HCC 肝细胞的致癌景观：

整合 SMU 队列的 snRNA - seq 和 bRNA - seq 数据，以 Hep0 为基线在 snRNA - seq 中鉴定 DEGs，以癌旁和正常组织为对照在 bRNA - seq 中鉴定 DEGs，Venn 分析得到 74 个共同下调和 5 个共同上调的与 HCC 相关基因（图 4A）。富集分析表明共同下调的 DEGs 与多种慢性肝病相关（图 4A）。在 HCC 进展过程中，多个 CYP 家族基因表达受抑制，多种代谢过程紊乱，同时鉴定出 5 个与 HCC 进展高度相关的上调 DEGs（图 4A、B）。利用 METAFlux 分析发现 Hep0/2/9 亚型间代谢途径存在显著差异，bRNA - seq 数据也显示癌组织中相关代谢途径上调（图 4B、C）。应用 SCENIC 算法分析 bRNA - seq 数据，鉴定出癌组织中上调的调控子和关键调控因子（图 4D、E）。针对 PDE7B，利用两种测序数据预测其转录因子，确定了 ESR1、MSRA 和 PLG 为调控因子（图 4F）。这些结果综合揭示了 HCC 肝细胞的致癌调控机制

图 5：基于 HCC 队列和 snRNA - seq 结果构建 QDM：

为探索 snRNA - seq 数据的临床价值，整合其结果与公共 RNA - seq 数据构建 QDM（图 5A）。基于 10 种肝细胞亚型分子谱分解 TCGA 和复旦 HCC 队列细胞组成，生存分析表明 Hep0 比例与患者生存时间正相关，Hep9 比例与生存时间负相关（图 S5A、B）。用机器学习方法提取 Hep0、Hep2 和 Hep9 亚型，交叉验证分类准确率较高（图 S5C）。提取这些亚型的特征基因，经筛选得到 29 个高性能诊断基因用于构建模型（图 5B）。构建 QDM 时，选择逻辑回归算法并采用分位数评分算法整合 29 个数据集（图 5A），最终构建出含 16 个基因的 QDM（图 5C）。该模型在训练集 1 和验证集 1 中诊断性能优异，AUC 分别为 0.982 和 0.968（图 5D、E）。这些结果表明 QDM 具有良好的诊断性能，为 HCC 的诊断提供了新工具

图 6：探究 QDM 的生物学和临床意义：

QDM 在诊断 HCC 组织方面表现出强大的预测性能，其鉴定的 16 个诊断基因对 HCC 发病机制至关重要（图 6A - C）。分析 QDM 中关键基因的表达模式，发现它们在癌组织与癌旁或正常组织中的表达差异显著（图 6A、B），且蛋白水平表达也有相应变化（图 6C）。临床相关性分析显示，QDM 评分与血清 AFP 和 AST 水平存在弱相关性，部分诊断基因与 AFP 也有相关性，提示其有开发为临床生物标志物的潜力（图 6E、F）。利用 ESTIMATE 算法评估肿瘤微环境，发现癌组织免疫和基质评分较低，肿瘤纯度较高，且 PDE7B 与肿瘤纯度呈负相关（图 6G、H）。对 PDE7B 在 HCC 细胞中的功能研究表明，抑制 PDE7B 可增强细胞迁移和活力（图 S6D、E）。这些结果表明 QDM 不仅诊断性能良好，还与临床指标相关，有助于深入理解 HCC 的发病机制和生物标志物开发

图 7：利用 snRNA - seq 中鉴定的特征基因对 HCC 进行分类：

提取 Hep0/2/9 亚型的分子特征基因，从多个 HCC 数据集中筛选出 50 个共同基因，进行无监督聚类分析，将 HCC 分为 Class_1、Class_2 和 Class_3 三类（图 7A - D）。基因变异频率分析显示，Class_1 中 CTNNB1 突变频率高，TP53 突变频率低；Class_2 中 AXIN1 突变频率高；Class_3 中 TSC2 突变频率高（图 7B）。生存分析表明 Class_1 临床结局较好（图 7C、D）。免疫细胞组成分析发现 Class_2 中多种免疫细胞类型丰度较高（图 7E），TIDE 分析显示 Class_3 中癌症相关成纤维细胞（CAF）和 T 细胞排斥评分较高，肿瘤微环境免疫抑制较强（图 7F）。差异表达基因（DEGs）富集分析表明，Class_1 与代谢途径相关，Class_2 与癌症相关途径相关，Class_3 与细胞外基质相关途径相关，因此分别将其命名为代谢型、炎症型和基质型 HCC（图 7G）。药物敏感性分析发现，Class_3 对索拉非尼敏感性较低，通过 OncoPredict 和 CMap 分析确定了各型 HCC 的敏感药物分别为哇巴因、替尼泊苷和 TG - 101348（图 7H）。这些结果为 HCC 的分类和个性化治疗提供了重要依据

4. 研究总结
   本研究整合 snRNA - seq 和 bRNA - seq 数据，对 77 例 HCC 患者样本进行分析，构建了最大的 HCC 单细胞核 RNA 测序数据集。研究鉴定出 10 种肝细胞亚型，明确了其与患者预后的关系，构建的分位数分布模型（QDM）在 HCC 诊断中表现出色，还筛选出关键基因 PDE7B 并验证其功能。此外，依据特定肝细胞亚型基因特征将 HCC 分为代谢型、炎症型和基质型，确定了各型的临床特征和敏感药物。这些成果为深入理解 HCC 的致癌机制、优化诊断和个性化治疗策略提供了重要依据，但 QDM 仍存在一些局限性，未来需进一步研究评估