免疫治疗 Cancer Cell|单细胞分析在癌症免疫治疗中的应用( 二 )


有几种开源的基准计算工具可用于高维数据集分析 。 独立于选择的工具 , 需要分析步骤 , 以获得可重复的结果 , 并确定预测新疗法反应和靶点的标记物 。 图2:单细胞和空间分析的计算工作流程和方法 。 (A)单细胞和空间数据分析将从原始数据预处理开始 , 用于数据清理 , 以去除质量差的细胞 , 并进行标准化 , 以纠正与实验伪影相关的低或高读取次数;批量校正 , 以消除由于实验差异导致的样品之间不必要的变化;数据插补 , 以纠正实际数据缺失(数据中的零) 。 (B)随后 , 降维将允许使用集群化工具进行数据可视化和单元类型注释 , 集群化工具根据每个集群表示的特定标记分配注释 。 在此基础上 , 根据所采用的方法和生物学问题 , 数据可用于下游分析 。 (C)可通过差异表达分析确定分子改变 。 在转录组学数据的情况下 , 也可以进行途径分析以确定癌症进展的驱动因素和对治疗的反应 , 预测细胞命运轨迹以了解肿瘤和TME随时间的调节 。 (D)根据蛋白质组学和转录组学数据 , 可以对分子(例如 , 蛋白质标记物表达、细胞因子基因表达、受体配体表达)和细胞相互作用(例如 , 细胞接近度分析)进行快照 , 这可能驱动与癌症进展和治疗反应相关的不同特征 。 (E)最后 , 多组学方法允许来自相同样本的蛋白质和基因表达分析(引用seq)或T细胞和B细胞库分析与转录谱分析相结合 , 增加了一层额外的信息 , 提高了细胞类型注释的准确性 , 并调查了它们在癌症演变和发展中的作用治疗反应 。
单细胞和空间分子分析技术及其应用互补计算分析管道作为癌症研究的工具正在迅速发展 。 这些技术的推论依赖于选择用于分析的研究设计、样品处理和分析管道 。 由于这些技术的快速发展 , 许多能够解释这些数据的计算管道仍在开发中 。 随着单细胞数据作为翻译工具的发展 , 计算方法将在推动新发现方面发挥作用 。 这些高通量技术主要用作分析工具 , 以产生关于TME和治疗模式的新假设 。 因此 , 机械台架研究仍然是将单细胞研究转化为可操作治疗靶点的重要补充 。
在转化免疫治疗研究中 , 对机制的最终检验是治疗干预产生了对患者肿瘤内TME的假设免疫调节 。 虽然单细胞技术可用于测量这些效应 , 但完整的机械表征需要时间过程分析 , 这将涉及从同一患者连续采集样本 , 这是不道德且不可行的 。 尽管监测患者外周血中的免疫细胞库对于时间进程研究更为可行 , 但比较人类肿瘤和外周血免疫细胞组成的单细胞研究已经确定了内在差异 。 因此 , 未来的研究需要在肿瘤免疫景观和周围环境之间提供更全面的比较 , 以便能够使用单细胞技术作为治疗生物标志物 。
患者肿瘤之间的异质性以及无法在患者身上测试多种治疗方案进一步挑战了转化研究中的单细胞机制研究 。 单细胞图谱研究汇集了临床试验研究和临床前模型的微扰研究 , 可为支持此类人体特征研究提供重要参考 。 用免疫疗法治疗的临床前模型的单细胞分析可以指出与治疗反应相关的细胞类型和途径 , 而用相同疗法治疗的人类样本的跨物种分析可以揭示哪些治疗反应是保守的 。 从单细胞数据集中识别小鼠和人类共同反应的新兴计算工具可以进一步支持临床前分析的模型选择 , 为人类临床试验的设计提供信息 。 图3:利用高维分析进行的鼠对人研究将推动下一代精确的癌症免疫疗法 。

推荐阅读