博文

[转载]癌症研究中的空间转录组学：机遇与挑战

已有 161 次阅读 2024-7-29 11:16 |个人分类:科普|系统分类:科普集锦

癌症研究中的空间转录组学：机遇与挑战

取决于用于测量转录本的策略，空间转录组学(Spatial transcriptomics，ST)技术可分为两类:基于成像的技术和基于测序的技术。基于成像的ST技术使用荧光原位杂交(fluorescence in situ hybridization，FISH)检测转录本。另一方面，基于测序的技术利用测序来捕捉基因的空间表达模式。这些基于测序的技术可以根据获取空间信息的方式进一步分为三种类型:激光捕获显微解剖(laser capture microdissection，LCM)、原位测序(in situ sequencing，ISS)和原位条形码。在此背景下，空间转录组学在癌症研究中的机遇和挑战又是如何呢？

机遇

ST技术促进了对细胞组成、细胞状态和细胞相互作用的原位单细胞水平观察。这些观察结果使我们能够深入探索肿瘤起源、转移和复发的潜在机制，从而为揭示癌症的核心特征提供了很大机会。潜在的应用研究包括确定驱动肿瘤发生和免疫逃避的细胞和分子因素，表征肿瘤亚克隆以了解异质免疫反应，代谢偏好和转移潜力，以及研究对不同治疗产生耐药性的因素。结合组织病理学数据，ST可以加速发现对各种类型癌症具有诊断、预后和治疗潜力的生物因子。

ST技术挑战

尽管越来越多的ST技术可以在亚细胞水平检测转录本信号，但仍然存在一些局限性(图1)。1)样本兼容性:ST研究中最常用的样本类型是新鲜冷冻样品。然而，一些ST技术，如10x Genomics的Visium和Xenium, NanoString技术的GeoMx DSP、CosMx SMI和DBiT-seq，也可以用于福尔马林固定石蜡包埋(FFPE)样品。然而，与冷冻新鲜样品相比，FFPE样品的RNA完整性通常较低。提高从FFPE样本中检测mRNA的能力是涉及存档肿瘤样本的ST研究的迫切需要。2)捕获尺寸:只有少数ST技术，如Stereo-seq、10x Genomics Xenium、NanoString CosMx SMI、Matrix-seq、sci-Space、PIXEL-seq和MERFISH可以捕获大于100 mm²的组织切片。它需要精细的安排来准备非常薄或小的组织进行ST实验，如小鼠淋巴结或小针活检。此外，小芯片阻碍了大型哺乳动物空间图谱的研究。3)目标限制:使用原位杂交的基于成像的ST技术需要预先知识来设计检测探针。大多数这些技术只能检测有限数量的基因，从几十个到几百个不等。而MERFISH和seqFISH+可以同时高效检测1000多个基因。在基于测序的ST技术中，LCM技术可以检测整个转录组，ISS技术主要检测目标RNA，而原位条形码技术主要捕获具有polyA尾部的RNA。然而，细菌和一些病毒在其mRNA中缺乏polyA尾部，这些生物的基因通常不被广泛使用的ST技术所覆盖。需要进一步定制ST检测靶点，以探索微生物组与癌症(如宫颈癌、结直肠癌等)的相关性。4)检测效率低:大多数ST技术捕获的基因比单细胞RNA测序(scRNA-seq)少。在癌症组织中，与癌细胞相比，基质细胞、免疫细胞和癌症干细胞通常产生较低数量的RNA转录物，并且可能分散在肿瘤微环境(TME)中。这使得识别这些细胞的表达信号具有挑战性。5) mRNA扩散:邻近活跃细胞的mRNA扩散可以掩盖组织中相对不活跃细胞的真实活性。这种扩散效应还会在含有腔的组织(如脉管系统和肺泡)中产生显著的背景噪声。低检测效率和mRNA扩散的共同作用阻碍了TME中少量或罕见细胞类型的准确分割和注释，而这些可能在癌症的发展中发挥基础性作用。6)成本:虽然ST的每个细胞成本远低于scRNA-seq，但每个样本的总体成本通常超过数千美元。这种成本限制阻碍了其在涉及多个器官和时间点的大型队列研究项目中的应用。

图1 ST技术在癌症研究中的应用挑战。ST技术的进步为癌症研究提供了重要的机遇。然而，必须解决多重挑战，包括ST技术、实验设计、数据存储和生物信息学分析

实验设计挑战

为了最大限度地发挥ST数据的科学价值，应该考虑实验设计的几个方面(图1)。1)样本类型:新鲜冷冻的样品通常是大多数ST研究的首选，因为它们提供了相对全面的基因表达谱。然而，对于旨在调查罕见病年代性变化的项目，FFPE样本更合适。此外，FFPE样品在处理感染病原体的组织时具有更高的生物安全性。2)生物重复:虽然一个样品的ST数据已经包含了数千或数百万个细胞，但生物重复对于确保足够的统计显著性至关重要。3)队列和多组学:尽管ST的成本很高，但经过深思熟虑的实验设计，包括符合专家临床建议的适当队列/治疗(包括对照组、治疗前和治疗后)、补充技术(scRNA-seq、基因组测序、表观遗传评估等)和必要的临床记录，对于具有启发性和有意义的发现至关重要。

数据存储和生物信息学分析挑战

与ST相关的数据包括高分辨率图像和大量测序数据。癌症研究中来自不同队列的多维数据合并进一步增加了对测序能力、存储空间、处理速度和分析能力的算法要求。在ST数据生物信息学分析面临的新挑战中，最紧迫的挑战包括(图1):1)批次效应校正:目前还没有专门针对ST数据设计的批次校正工具。研究ST数据的研究人员可能不得不使用基于scRNA序列的程序，如Seurat、Harmony和LIGER，从而牺牲空间信息。2)细胞分割和反卷积:充分分割细胞边界以注释细胞身份和与其近邻的串扰至关重要。应根据数据质量和研究目的，仔细考虑细胞分割的必要性。稳健的反卷积算法、特定的细胞标记和高质量的scRNA-seq数据需要破译ST点的细胞组成。Cell2location、RCTD、SpatialDWLS和Tangram等方法在细胞类型反卷积方面表现良好。3)基因插补:由于某些ST技术的检测效率较低，非增殖细胞的RNA丰度较低，可能导致ST数据中缺失部分基因的表达信号。诸如Tangram、gimVI、SpaGE、Seurat和ENVI等程序可以基于相关的scRNA-seq数据集预测缺失基因可能的空间分布。4)空域确定:确定不同细胞类型之间的相互作用热点，例如肿瘤的侵袭性前缘，为疾病进展提供关键见解。鼓励使用STAGATE、BayesSpace、DeepST等分析方法识别感兴趣的病理区域。5)空间变量基因鉴定:SpatialDE、SPARK、HRG等工具考虑空间模式来提高差异表达基因的可靠性，有助于鉴定与肿瘤细胞增殖、血管生成、坏死等肿瘤特征相关的基因。识别TME中相邻细胞之间的配体受体网络对于理解肿瘤发生的驱动因素至关重要。可以使用诸如CellChat、Giotto、NicheNet、NCEM等程序，尽管推断出的交互作用在不同的算法之间可能会有所不同，需要实验验证。7)多维数据:ST数据与其他维度数据(如scRNA-seq数据、原位基因组测序数据、蛋白质图谱和代谢谱)的联合分析需要先进的处理和可视化工具。Squidpy和MUON等工具越来越受欢迎。8)统计分析:ST数据集中与空间信息相关的大量斑点对统计分析提出了新的挑战。需要在生物信息学管道中嵌入健壮的统计方法，以及使用建议。

展望

最近，多组学技术与ST的结合，包括单细胞转录组学、原位基因组测序、蛋白质组学、代谢组学和表观基因组学，在癌症研究中得到了广泛的应用。来自同一个体的配对样本对于组合多组学数据至关重要。此外，从同一组织切片中收集多维数据的多路空间技术，如H&E (10x Visium)、TCR/BCR (Slide-TCR-seq)、蛋白质表达(GeoMx DSP、DBiT-seq、STARmap PLUS、spatial- citeseq等)和功能修饰(Perturb-map)也在积极发展中。多组学的应用进一步增加了对项目资助、小组协调、实验设计和分析管道的需求。因此，鼓励机构间和跨学科合作，以加速ST和相关组学技术的进步。随着ST的应用揭示了越来越多与癌症进展和进化相关的分子和细胞因子，将为癌症的诊断、预后和治疗找到更多的靶点，进一步促进检测方法、药物和疗法的发展。

参考文献

[1] Ou Z., Yin J., Wu L., et al., (2023). Spatial transcriptomics in cancer research: Opportunities and challenges. The Innovation Life 1(1), 100006. https://doi.org/10.59717/j.xinn-life.2023.100006

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC