Integrated cancer cell-specific single-cell RNA-seq datasets：解锁癌症免疫治疗新密码

免疫检查点阻断（ICB）疗法是癌症治疗的新希望，但疗效因患者和癌症类型而异。研究人员整合 9 种癌症类型的单细胞 RNA 测序（scRNA-seq）数据集，构建独特资源。该资源有助于深入理解 ICB 反应，推动癌症研究进展。

　　在癌症治疗领域，免疫检查点阻断（ICB）疗法的出现曾让人们看到了攻克癌症的新希望。正常情况下，T 细胞的细胞毒性可通过检查点蛋白之间的相互作用被激活，从而杀死癌细胞。然而，狡猾的癌细胞常常会利用一些机制来逃避 T 细胞的攻击，比如癌细胞会过度表达像 PD-L1 这样的配体，与 T 细胞表面的 PD-1 结合，使得 T 细胞的活性被抑制，无法有效地发挥清除癌细胞的作用 。ICB 疗法正是针对这一问题而诞生，它通过使用单克隆抗体阻断检查点蛋白的功能，让被抑制的细胞毒性 T 细胞重新获得活力，进而消灭癌细胞。

但现实却不尽如人意，ICB 疗法在不同患者和不同癌症类型中的疗效差异很大。为了弄清楚是什么因素导致了这种差异，科研人员进行了大量研究。其中，单细胞 RNA 测序（scRNA-seq）技术为深入了解癌细胞对 ICB 治疗的特异性反应提供了有力工具。不过，以往的 scRNA-seq 研究存在一些局限性，样本量较小，而且数据分析需要较高的编程技能，这使得研究成果难以广泛应用和推广。为了解决这些问题，来自美国密歇根大学（University of Michigan）的研究人员开展了一项重要研究。

研究人员通过系统地执行七个关键步骤，构建了一个全面的单细胞 RNA 测序数据存储库。首先是数据收集，他们进行了广泛的文献调查，从 8 项关键研究中收集了涉及 9 种不同癌症类型的 scRNA-seq 数据集，这些癌症类型包括皮肤癌（如黑色素瘤、基底细胞癌）、乳腺癌（三阴性乳腺癌、HER2 阳性乳腺癌、ER 阳性乳腺癌 ）、肾癌（透明细胞肾细胞癌）以及肝癌（肝细胞癌、肝内胆管癌）等。接着，研究人员对这些数据进行精心整理和标准化处理，由于不同研究中命名惯例和细胞注释存在差异，他们统一了术语，确保数据的一致性和可用性。

在质量控制环节，研究人员对数据进行了严格筛选。他们去除了线粒体基因含量过高的细胞，因为这些细胞可能是受损或死亡的细胞；同时，也排除了核糖体基因表达过低的细胞，并利用 DoubletFinder 算法去除了可能存在的 “doublets”（即一个珠子上有多个细胞的情况） ，最终得到了高质量的数据集。之后，研究人员将这些数据集进行合并，并使用 Seurat 软件包进行预处理，包括数据归一化、降维和聚类分析等操作。为了方便不同研究人员使用这些数据，研究人员还开发了用户友好的界面，包括针对癌细胞特异性分析的界面（https://scrnaseqicb.shinyapps.io/shinyapp/ ）和涵盖所有细胞类型分析的界面（https://scrnaseqicb.shinyapps.io/09_shinycell_all/ ），并且将相关代码和数据共享在 GitHub 和 Zenodo 平台上。

在研究结果方面，通过对整合数据集的分析，研究人员能够更全面地观察不同癌症类型中癌细胞对 ICB 治疗的反应。例如，他们发现不同癌症类型的癌细胞在 ICB 治疗前后，基因表达模式存在明显差异，这为寻找潜在的生物标志物提供了线索。此外，研究人员还通过分析细胞间的相互作用，了解到肿瘤微环境中不同细胞类型之间的关系在 ICB 治疗过程中的变化，这些变化可能影响着治疗的效果。

总的来说，这项研究构建的综合数据集和开发的分析工具，为研究 ICB 治疗反应提供了宝贵的资源，有助于研究人员更深入地了解癌细胞对 ICB 治疗的反应机制，为开发更有效的癌症免疫治疗策略奠定了基础。该研究成果发表在《Scientific Data》上，为全球癌症研究领域的科研人员提供了重要的参考，有望推动癌症免疫治疗领域取得新的突破。

研究人员主要使用的关键技术方法包括：一是通过广泛的文献调研收集多源 scRNA-seq 数据集；二是利用 Seurat 软件包对数据进行标准化处理、归一化、降维、聚类等分析；三是开发 Rshiny 应用程序，创建用户友好界面方便数据探索；四是运用多种算法如 DoubletFinder 算法进行数据质量控制，识别并去除异常细胞。这些技术方法相互配合，使得研究能够顺利进行并获得有价值的结果。