个体肿瘤的内在异质性对癌症治疗提出了重大挑战，往往导致抗癌治疗失败和患者死亡。单细胞测序技术的最新进展为研究单细胞水平的分子异质性创造了机会，并在精确的癌症治疗中显示出前景。近年来，Perturb-seq、扩展的CRISPR兼容转录组和表位的细胞测序索引（ECCITE-seq）和sci-Plex等技术将单细胞测序与复合或聚集规律间隔短回文重复序列（CRISPR）介导的基因扰动实验相结合，允许在转录组或表面蛋白水平上评估单细胞扰动反应。尽管潜力巨大，但这些生物技术平台仍处于起步阶段。
值得注意的是，在过去十年中，基于微扰的肿瘤细胞系体细胞筛选在体内的应用已被证明在确定癌细胞靶点方面具有价值。此外，这种筛选方法已经通过微扰实验产生了癌细胞系的大规模遗传特征，以及它们的表型。例如，药物基因组学项目癌症细胞系百科全书（CCLE）和癌症药物敏感性基因组学（GDSC）对1000多种肿瘤细胞系进行了测序，并对数百种药物进行了敏感性分析。癌症治疗反应门户（CTRP）已经测试了近900种癌细胞系对近500种药物的药物反应。此外，将CRISPR筛选平台与联合致死概念相结合的项目，包括Project Score、Project Achilles和Project DRIVE，从分子角度确定了细胞适应性所需的遗传扰动。鉴于这些进步，有可能开发一种计算管道，将单细胞转录组谱与药物基因组谱相结合，以预测单细胞的药理表型，解决当前生物技术平台的局限性。
计算框架scPharm概述（图源自Advanced Science ）
虽然已经开发了几种方法来预测单细胞水平的药物反应，但这些方法可以大致分为基于机器学习的策略和替代计算方法。机器学习方法，如SCAD、scRank、scDEAL和CaDRReS-Sc，通常利用大量和单细胞数据来预测药物敏感性并识别耐药亚群。这些方法依靠迁移学习、特征提取和深度学习来捕获肿瘤内部的异质性。另一方面，信息论分析（如CSSS）和混合方法（如Scissor）为机器学习驱动策略提供了互补的视角。尽管取得了这些进步，但在扩展这些模型并提高其临床应用的可解释性方面仍然存在挑战。此外，与模型的复杂性相比，公开可用的药物基因组学数据集在规模上仍然有限。另一个限制是对二值化药物反应标签的依赖，例如“敏感”与“耐药”，这通常依赖于缺乏明确生物学解释的二值化方法。此外，大多数现有方法构建的模型仅仅是为了预测单个细胞对药物是敏感还是耐药，而忽略了药物疗效和副作用的更广泛的临床背景。
研究提出了scPharm，一个适用于现实世界肿瘤组织单细胞RNA测序（scRNA-seq）数据的计算框架，旨在解决这些挑战。在这种现实世界的情况下，肿瘤组织通常由肿瘤微环境中各种细胞类型的混合物组成，而不是仅仅由纯粹的癌细胞组成。研究假设，如果单个细胞对某种药物敏感，那么该细胞中高度表达的基因，称为身份基因（Cell-ID），将与与药物敏感性增加相关的基因显著重叠。相反，如果单个细胞具有耐药性，那么高表达的基因将与那些与耐药性增加相关的基因重叠。研究方法采用基因集富集分析（GSEA）作为范例，基于scRNA-seq数据动态计算Cell-ID基因集。与常规GSEA使用一组稳定的先验定义基因不同，scPharm使用动态计算的每个单个细胞的身份基因。因此，根据药物反应排序基因列表，该列表是基于大量数据，通过基因表达与药物反应的相关性生成的。同一癌症类型中每种药物的基因列表是稳定的，适用于所有单细胞。
与基于表达谱相似性将药物反应表型从大量数据转移到单细胞的机器学习模型相反，scPharm利用来自GSEA的归一化富集评分（NES）来识别具有统计学意义的敏感和耐药单细胞。这种统计方法克服了与小样本量、机器学习模型二值化以及跨模态表达相似性集成相关的挑战。scPharm的性能通过各种数据集进行综合评估，包括来自ER阳性和HER2阳性乳腺癌组织的scRNA-seq数据，厄洛替尼在不同时间点处理的PC9细胞，以及MMTV-PyMT小鼠乳腺肿瘤模型。此外，还进行了严格的比较分析，以评估scPharm与其他单细胞预测工具（包括scDEAL、CaDRReS-Sc、Scissor和SeuratCCA）的预测性能。值得注意的是，scPharm的功能超出了预测，为定制药物的优先级提供了有价值的见解。其独特之处还在于联合策略的评估，通过集合覆盖法衡量两种药物之间的补偿效应或增强效应。此外，scPharm通过利用健康人体组织的scRNA-seq数据来评估药物副作用，从而能够评估肿瘤微环境中健康细胞中的药物毒性。
参考消息：
https://onlinelibrary.wiley.com/doi/10.1002/advs.202412419
—END—
内容为【iNature】公众号原创，
转载请写明来源于【iNature】
微信加群
iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群（16个PI群及64个博士群），同时更具专业专门组建了相关专业群（植物，免疫，细胞，微生物，基因编辑，神经，化学，物理，心血管，肿瘤等群）。温馨提示：进群请备注一下（格式如学校+专业+姓名，如果是PI/教授，请注明是PI/教授，否则就直接默认为在读博士，谢谢）。可以先加小编微信号（love_iNature），或者是长按二维码，添加小编，之后再进相关的群，非诚勿扰。
投稿、合作、转载授权事宜
请联系微信ID：13701829856 或邮箱：iNature2020@163.com
觉得本文好看，请点这里！
