社区首页 >专栏 >任意单细胞转录组的细胞通讯结果都是CAF和TAM的信号最多吧

任意单细胞转录组的细胞通讯结果都是CAF和TAM的信号最多吧

生信技能树

发布于 2023-11-26 06:33:15

19300

代码可运行

文章被收录于专栏：生信技能树生信技能树

运行总次数：0

代码可运行

2023年发表在NC的文章：《The tumor microenvironment shows a hierarchy of cell-cell interactions dominated by fibroblasts》是单细胞转录组数据挖掘领域的一个蛮特殊的文章，因为它落脚点是细胞通讯。如下所示，研究者首先是把一个乳腺癌的单细胞转录组的公共数据集接下来基础的降维聚类分群后，人工给出来了一些常见的亚群的名字，有了细胞亚群的生物学注释后简单的跑一个CellChat方法的细胞通讯后，发现是 cancer associated fibroblasts (CAFs), tumor associated macrophages (TAMs), 的信号最多最强。

CAF和TAM的信号最多最强

a UMAP visualization of the main cell clusters in the breast TME in human scRNA-seq data from 32 patients.
b Heatmap of interaction strengths between pairs of cells based on cumulative ligand-receptor interaction scores using CellChat applied to the scRNA-seq data of (a).

拿到肿瘤的单细胞转录组表达量矩阵后的第一层次降维聚类分群通常是：

immune (CD45+,PTPRC),
epithelial/cancer (EpCAM+,EPCAM),
stromal (CD10+,MME,fibo or CD31+,PECAM1,endo)

参考我前面介绍过 CNS图表复现08—肿瘤单细胞数据第一次分群通用规则，这3大单细胞亚群构成了肿瘤免疫微环境的复杂。上面的文章也是如此的分群，除去了恶性癌细胞后的肿瘤微环境的组成是：

cancer associated fibroblasts (CAFs), tumor associated macrophages (TAMs), T cells, NK cells, B cells, endothelial cells, pericytes and other cell types.

考虑到有一些小伙伴可能是第一次看到我们的公众号推文，我还得事无巨细的介绍背景。所以我通过BioinfoArk提供的中国区chatGPT查询到各个细分亚群的解释：

癌相关成纤维细胞（Cancer-Associated Fibroblasts，CAFs）：
- CAFs 是存在于肿瘤周围组织中的一种成纤维细胞亚型。它们对于调节基质、产生生长因子和细胞因子等在肿瘤的生长和转移中发挥重要作用。
肿瘤相关巨噬细胞（Tumor-Associated Macrophages，TAMs）：
- TAMs 是肿瘤微环境中的巨噬细胞，它们在调控炎症反应、支持肿瘤生长和促进血管生成等方面发挥关键作用。
T细胞：
- T细胞是一种免疫细胞，对于检测和破坏肿瘤细胞具有重要作用。不同类型的T细胞（如CD4+ T细胞和CD8+ T细胞）在肿瘤免疫反应中扮演不同的角色。
自然杀伤细胞（Natural Killer Cells，NK细胞）：
- NK细胞是一类具有自然杀伤能力的免疫细胞，能够检测并杀伤肿瘤细胞，对于控制肿瘤的发展具有重要作用。
B细胞：
- B细胞是一类免疫细胞，其主要功能是产生抗体以对抗感染和疾病。在肿瘤免疫应答中，B细胞可能参与调节T细胞反应等。
内皮细胞：
- 内皮细胞是构成血管内膜的细胞，对于血管生成和维持血管结构至关重要。在肿瘤中，血管的生成与内皮细胞密切相关。
周细胞（Pericytes）：
- 周细胞是存在于小血管外膜的细胞，对于维持血管的完整性和调节血流起到重要作用。

这些细胞类型在肿瘤微环境中相互作用，共同参与肿瘤的发展、侵袭和转移过程。研究这些细胞在肿瘤免疫应答中的角色，有助于深入了解肿瘤生物学，并为开发新的治疗策略提供理论基础。

上面的降维聚类分群其实没什么好纠结的，基本上都会了。但是研究者们根据细胞亚群的生物学注释后简单的跑一个CellChat方法的细胞通讯后，发现是CAF和TAM的信号最多最强，接下来的故事就主要是湿实验验证这个细胞通讯结果，就让我有点担忧！

湿实验验证这个细胞通讯结果非常漂亮

主要是做细胞操作，共培养，因为前面的数据挖掘提示了 cancer associated fibroblasts (CAFs), tumor associated macrophages (TAMs), 比较重要，所以就选取了多种来源的fibroblasts去跟macrophages看看是否有相互作用

   3 Fat fibroblasts co-cultured with macrophages repetition
   2 Fat fibroblasts mono-cultured repetition 
   3 Lung fibroblasts co-cultured with macrophages repetition
   3 Lung fibroblasts mono-cultured repetition 
   5 Mammary fibroblasts co-cultured with macrophages repetition
   5 Mammary fibroblasts mono-cultured repetition 
   4 macrophages co-cultured with fat fibroblasts repetition
   4 macrophages co-cultured with lung fibroblasts repetition
   4 macrophages co-cultured with mammary fibroblasts repetition

但是数据挖掘的故事引子可能站不住脚

研究者们根据细胞亚群的生物学注释后简单的跑一个CellChat方法的细胞通讯后，发现是CAF和TAM的信号最多最强，就说明了接下来要重点关注cancer associated fibroblasts (CAFs), tumor associated macrophages (TAMs), 但是信号最多最强可能是这两个细胞亚群的天然属性，而不是它们在乳腺癌这个背景下的突出的特性，那么优先关注它探索它就站不住脚了。

学徒作业

这个文章的研究者做的是前面的文献：《A single-cell RNA expression atlas of normal, preneoplastic and tumorigenic states in the human breast》里面的单细胞转录组数据集，链接在：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE161529

大家可以试试看进行类似的基础的降维聚类分群后，人工给出来了一些常见的亚群的名字，然后跑CellChat方法的细胞通讯看看是不是CAF和TAM的信号最多最强？

其次，需要找类似的另外的十几个乳腺癌的单细胞转录组数据集，做同样的发现看看是不是CAF和TAM的信号最多最强？

2019-CELL-GSE124821-乳腺癌老鼠模型
2020-CAFs-5个TNBC病人
2020-GSE123366-单细胞-3个小鼠乳腺癌模型
2020-GSE137818-BRCA1-BRCA2-小鼠免疫微环境
2020-GSE139125-brca-mice-MDSCs
2020-GSE141834-乳腺癌药物处理-时间序列-单细胞
2020-TNBC小鼠模型的CAFs
2021-BRCA-ICB
2021-Brca1突变小鼠导致肿瘤发生机理
2021-GSE141665-肿瘤微环境里面的稀有T细胞
2021-GSE158399-乳腺癌单个病人的3个样品
2021-GSE161529-4个BRCA1突变病人单细胞
2021-GSE161529-BRCA-30W-cells
2021-GSE176078-单细胞乳腺癌患者图谱-空间
2021-GSE180286-乳腺癌原位癌和淋巴结转移
2021-TNBC-免疫治疗前后-仅仅是免疫细胞
2021-scRNA-seq and scATAC-seq-乳腺癌
2021-单细胞小鼠乳腺癌模型-疾病进展
2022-GSE173634-32个乳腺癌细胞系
2022-GSE174588-BRCA1-brca
2022-GSE180878-乳腺癌
2022-GSE195861-乳腺癌的-DCIS和IDC区别-质量太差
2023-GSE195665-乳腺癌-空间单细胞-navin.pdf
2023-GSE225600-邵志敏-单细胞-空间单细胞-乳腺癌.pdf
GSE202695-转移性乳腺癌
GSE206638-TNBC的髓系异质性