Cell-type-specific combinatorial clustering（CELTYC）：癌症预后分层的创新突破

　　当前癌症分子分类多基于 bulk-tissue 数据，易受细胞类型组成影响。为解决此问题，研究人员开展 “Cell-type-specific subtyping of epigenomes improves prognostic stratification of cancer” 研究。结果表明，CELTYC 可改进肝癌和肾癌预后模型。这为癌症预后分类提供新策略，意义重大。

娑撹桨绨℃穱鍐箻缁夋垵顒熼惃鍕炊閹绢叏绱濋悽鐔哄⒖闁岸鍣伴梿鍡曠啊鏉╂瑧鐦掗弬鍥╃彿閿涘苯顩ч棁鈧懟杈ㄦ瀮閸樼喐鏋冮敍宀冾嚞閻愮懓鍤敍锟�鐠併垽妲凚ioHot缁便垹褰囬崢鐔告瀮

　　在癌症研究的广阔领域中，一直存在着一个棘手的问题。目前，大多数癌症的分子分类是基于 bulk-tissue（包含多种不同细胞类型的混合组织）的分析，就像是用一张模糊的照片来判断事物，无法清晰地分辨出其中的细节。从转录组或表观遗传数据推断出的癌症亚型，会受到细胞类型组成的强烈影响，不能准确反映由细胞类型特异性癌症相关改变所定义的亚型。这就好比在诊断疾病时，用一个不准确的尺子去衡量，导致诊断结果可能出现偏差，从而影响后续的治疗和预后评估。为了攻克这个难题，中国科学院上海营养与健康研究所的研究人员齐罗（Qi Luo）和 Andrew E. Teschendorff 展开了深入的研究。他们致力于探索一种更精准的癌症分类方法，以提升对癌症预后的判断能力。最终，他们的研究成果发表在《Genome Medicine》上。

研究人员采用了多种关键技术方法来开展此项研究。在数据处理方面，使用了 Illumina 450k 和 EPIC 等 DNA 甲基化数据集，这些数据集来自 TCGA、GEO 等公共数据库，涵盖了肝癌、肾癌等多种癌症类型及正常组织样本。在分析方法上，运用了 EpiSCORE、HEpiDISH 等算法来估计细胞类型比例；通过 CellDMC 算法识别细胞类型特异性差异甲基化胞嘧啶（DMCTs）；利用共识聚类（ConsensusClusterPlus）和 JIVE（Joint and Individual Variation Explained）等方法进行聚类分析，从而确定癌症亚型 。

欢迎下载【ADC药物研发与生产解决方案】，查看各阶段相关工艺流程技术细节！妫帮拷 閸欙拷

研究结果如下：

楠炲灝鎲� Agilent Seahorse XF 细胞分析技术新发表文章精选汇总：“不仅分析细胞里有什么，更要揭示它们如何变化”——用免标记技术实时检测细胞能量代谢的变化，了解驱动细胞信号转导、增殖、活化、毒性和生物合成的关键

• 细胞类型特异性聚类优化癌症分子分类：研究人员通过模拟实验发现，未考虑细胞类型异质性（CTH）的聚类分析会受到细胞类型组成的干扰，无法准确揭示疾病相关亚型。而他们提出的细胞类型特异性组合聚类（CELTYC）算法，先估计细胞类型比例，再去除其影响构建标准化残差变异矩阵，进而识别 DMCTs 并进行聚类分析，可有效避免 CTH 的干扰，揭示出更准确的分子亚型。
• CELTYC 识别肝癌预后亚型：在肝癌（LIHC）研究中，应用 CELTYC 对 TCGA 的 LIHC 数据集进行分析。通过 EpiSCORE 估计 5 种肝脏细胞类型的比例，CellDMC 识别出大量在淋巴细胞、肝细胞和内皮细胞中的 DMCTs。聚类分析显示，基于淋巴细胞 DMCTs 的聚类能显著区分临床结局，LC2 聚类的患者预后较好，其增殖率较低且多为低分期，但分级较高。
• CELTYC 改善肝癌预后分层：与其他方法相比，基于淋巴细胞 DMCTs 的 CELTYC 聚类在肝癌预后分层方面表现更优。其构建的预后模型在生存率预测上明显优于传统方法，且该模型与其他已有的肝癌分类方法重叠较少。此外，研究人员还通过十折交叉验证构建了基于逻辑弹性网络的 DNAm 预测模型，进一步验证了 CELTYC 的有效性。
• CELTYC 在独立肝癌数据集中的验证：为验证 CELTYC 预后分类的可靠性，研究人员在独立的肝癌 mRNA 表达数据集中进行验证。他们先在 TCGA LIHC mRNA 表达样本上训练逻辑 lasso 分类器，然后应用于两个独立数据集，结果显示预测的好坏预后组在总体生存率上有显著差异，表明 CELTYC 预后模型具有良好的通用性。
• CELTYC 分类与体细胞突变和 CNVs 的关系：研究发现，CELTYC 的分类与体细胞突变和拷贝数变异（CNVs）无关。尽管在好坏预后组中发现了一些基因的突变频率和 CNV 频率存在差异，但 CELTYC 的预后模型在考虑这些因素后，仍能保持良好的预后预测能力。
• 不良预后簇中 WNT 信号通路的表观遗传失调：通过对细胞类型特异性癌症 DMCTs 的分析，研究人员发现 WNT 信号通路在肝癌不良预后簇中存在表观遗传失调。GSEA 分析显示，该簇中与不良预后相关的通路如 EMT、TGFβ 信号通路和血管生成等显著富集。此外，WNT 信号通路的关键成员如 FZD1、LRP5、AXIN1 等在不良预后簇中表达上调，且其 DNA 甲基化状态与 mRNA 表达水平相关。
• 细胞因子分泌特征与 CELTYC 不良预后簇相关：计算细胞因子活性得分发现，有 55 种细胞因子特征与 CELTYC 簇相关，其中 6 种与总体生存显著相关。这些细胞因子特征可能促进了 2 型免疫反应环境，与肝癌的不良预后密切相关。
• CELTYC 揭示肾癌的细胞类型特异性预后亚型：在肾癌（KIRC）研究中，应用 HEpiDISH 估计细胞类型比例，CellDMC 识别出上皮、基质和免疫细胞特异性 DMCTs。聚类分析发现，不同细胞类型的 DMCTs 聚类均与总体生存显著相关。通过对基因的富集分析，发现上皮细胞 DMCTs 相关基因与细胞增殖、KRAS 信号通路等有关；免疫细胞 DMCTs 相关基因与 IL2 - STAT5 信号通路相关，且该信号通路在不良预后的免疫细胞簇中显著富集。
• 肾癌中的预后协同作用和验证：研究人员发现，高有丝分裂年龄和低 IL2 - STAT5 信号的组合与肾癌不良预后显著相关。通过组合聚类分析，他们构建的模型在预后分层上明显优于单独基于上皮或免疫细胞簇的模型。此外，他们还在独立的 ccRCC 数据集中验证了上皮和免疫细胞 CELTYC 簇预测器的有效性。
• CELTYC 适用于大型 RRBS 数据集：研究人员将 CELTYC 应用于大型 RRBS 乳腺癌数据集，在 luminal 雌激素受体阳性（ER +）乳腺癌中，发现细胞类型特异性 DMGs 在不同细胞类型中具有不同的富集特征。虽然 CELTYC 未在该数据集中构建出优于现有模型的预后模型，但它能识别出单个细胞隔室内的预后特征，证明了其在其他癌症类型和技术中的适用性。

研究结论和讨论部分指出，CELTYC 在肝癌和肾癌研究中展现出强大的优势，能够优化癌症预后分类，揭示癌症亚型的生物学意义。通过该方法，研究人员发现了与不良预后相关的生物学过程，如肝癌中的 WNT 信号通路失调和肾癌中的有丝分裂年龄增加与 IL2 - STAT5 信号改变。同时，研究也探讨了 CELTYC 在理论和应用方面的一些问题，如对高精度组织特异性 DNAm 参考矩阵和大数据集的需求，以及 JIVE 模式在 CELTYC 中的应用价值等。总体而言，CELTYC 为癌症研究提供了一种新的有力工具，有助于深入理解癌症的发生发展机制，为临床诊断和治疗提供更精准的依据，具有重要的科学和临床意义。

閹垫捁绁�

娑撳娴囩€瑰宓庢导锔炬暩鐎涙劒鍔熼妴濠団偓姘崇箖缂佸棜鍎禒锝堥樋閹活厾銇氶弬鎵畱閼筋垳澧块棃鍓佸仯閵嗗甯扮槐銏狀洤娴ｆ洟鈧俺绻冩禒锝堥樋閸掑棙鐎芥穱鍐箻閹劎娈戦懡顖滃⒖閸欐垹骞囬惍鏃傗敀

10x Genomics閺傛澘鎼isium HD 瀵偓閸氼垰宕熺紒鍡氬劒閸掑棜椴搁悳鍥╂畱閸忋劏娴嗚ぐ鏇犵矋缁屾椽妫块崚鍡樼€介敍锟�

濞嗐垼绻嬫稉瀣祰Twist閵嗗﹣绗夐弬顓炲綁閸栨牜娈慍RISPR缁涙盯鈧鐗哥仦鈧妴瀣暩鐎涙劒鍔�

閸楁洜绮忛懗鐐寸ゴ鎼村繐鍙嗛梻銊ャ亣鐠佹彃鐖� - 濞ｅ崬鍙嗘禍鍡毿掓禒搴ｎ儑娑撯偓娑擃亜宕熺紒鍡氬劒鐎圭偤鐛欑拋鎹愵吀閸掔増鏆熼幑顔垮窛閹貉傜瑢閸欘垵顫嬮崠鏍掗弸锟�

娑撳娴囬妴濠勭矎閼崇偛鍞撮摂瀣鐠愩劋绨版担婊冨瀻閺嬫劖鏌熷▔鏇犳暩鐎涙劒鍔熼妴锟�