scCancer | 单细胞肿瘤研究必备神器

癌症是全世界最致命的疾病之一，细胞异质性和复杂的微环境是当前癌症研究的主要挑战，而单细胞转录组测序 (scRNA-seq) 技术使得在单细胞水平上研究癌细胞的异质性及其微环境成为可能。

随着技术的发展，已有大量针对单细胞转录组数据分析的软件包被开发出来，极大促进了生物和医学领域的研究。然而，这些工具是为一般应用而设计的，缺乏对癌症特征的考虑，因此亟需要开发一款癌症特异性的分析工具，scCancer^[1]应运而生。

scCancer是2020年清华大学Jin Gu团队开发的一个用户友好型自动化 R 包，它专注于处理和分析用于癌症研究的 scRNA-seq 数据。该软件包括三个部分：一是数据统计(scStatistics)，二是细胞注释(scAnnotation)，例如降维聚类、细胞类型注释、恶性细胞估计、细胞表型分析、基因特征分析、细胞间相互作用分析等，三是多样本数据整合、批次效应校正和分析可视化(scCombination)。

该软件包可在以下网址获得：http://lifeome.net/software/sccancer/ 

1.细胞恶性评估

在癌症研究中，有一个关键问题是估算细胞的恶性程度并区分出恶性和非恶性细胞。一般来说，从scRNA-seq数据中推断出的拷贝数改变 (CNV)，具有识别恶性肿瘤细胞的潜力，可以广泛用于各种癌症类型的研究。在这里，作者使用了 R 包 infercnv 算法来估计单细胞 CNV。计算过程分为以下三步：

① 计算每个染色体上的移动平均表达值，然后将它们与正常的参考细胞进行比较，从而估算CNV。（软件包提供了正常细胞的参考数据集，也可以自行设置数据中的正常细胞作为参考。推荐后者，计算结果更为准确。）

② 此外，考虑到 dropout 的影响，作者建议使用细胞邻域信息来平滑 CNV 值，从而更好地区分恶性肿瘤。详细来说，利用聚类的邻域矩阵来识别每个单元 i 的邻居 j ∈ Nb(i)，并使用归一化的相似度作为权重 w_ij(∑_j∈Nb(i)w_ij = 1)。通过计算每个单元 i 及其邻居初始 CNV 的加权平均值值 v_i(init)和v_j(init)，得到最终的 CNV 配置文件 v_i(final)。

v_i(final) = 1/2 v_i(init) + 1/2 ∑_j∈Nb(i)w_ijv_j(init)

③ 将染色体上最终 CNV 值平方的平均值定义为恶性肿瘤的评分。通过将恶性肿瘤评分的分布与参考细胞进行比较并检测其双峰性，为细胞分配恶性肿瘤标签。

2. 细胞干性分析

肿瘤内异质性在癌症样本中普遍存在，并且与癌症预后不良呈高度相关。作者使用 OCLR 模型训练了一个基于人的干/祖细胞数据集的干性特征基因集，此干性特征基因集和细胞表达向量之间的 Spearman 相关性系数，定义为干性得分。

目前软件支持人和小鼠，小鼠的基因集根据人的基因集同源转换得到。

了解完分析原理，接下来让我们一起看看分析结果吧~

1. 细胞恶性评估结果

 恶性评分分布直方图

说明：灰色为参考组的恶性评分分布情况，蓝色为观测组的恶性评分分布情况。红色虚线为识别的阈值，以区分恶性和非恶性细胞。高于此阈值的细胞判定为恶性细胞。

细胞恶性评分UMAP图

说明：UMAP图显示细胞的恶性肿瘤评分。颜色越红表明细胞的恶性程度越高。

恶性和非恶性细胞统计柱状图

说明：红色为恶性细胞，绿色为非恶性细胞，横坐标为cluster,纵坐标为细胞数目。

细胞恶性类型UMAP图

说明：红色表示恶性细胞，绿色表示非恶性细胞。

2. 细胞干性分析结果

恶性细胞的干性评分UMAP图

说明：UMAP图显示恶性细胞的细胞干性评分。颜色越红表明细胞的干性程度越高。

参考资料：

1.Wenbo Guo, Dongfang Wang, Shicheng Wang, Yiran Shan, Changyi Liu, Jin Gu, scCancer: a package for automated processing of single-cell RNA-seq data in cancer, Briefings in Bioinformatics, bbaa127, https://doi.org/10.1093/bib/bbaa127

END

排版人：小久

原创声明：本文由欧易生物(OEBIOTECH)学术团队报道，本文著作权归文章作者所有。欢迎个人转发及分享，未经作者的允许禁止转载。