单细胞RNA测序联合人工智能设计多靶点药物：破解肝癌耐药性的新策略

《npj Precision Oncology》：Integrating single-cell RNA sequencing and artificial intelligence for multitargeted drug design for combating resistance in liver cancer

本研究针对肝细胞癌(HCC)异质性强、治疗选择有限的关键问题，通过整合单细胞RNA测序(scRNA-seq)和人工智能技术，系统解析了肿瘤微环境特征，发现1178个差异表达基因(DEGs)，鉴定出APOE/ALB等保护性基因和XIST/FTL等风险基因。研究创新性地采用图神经网络(GNN)预测药物-基因相互作用(R2=0.9867)，筛选出钆贝酸葡胺(Gadobenate Dimeglumine)等潜在治疗药物，为肝癌精准治疗提供了新型多靶点干预策略。

肝癌作为全球癌症相关死亡的主要原因之一，其治疗面临巨大挑战。肝细胞癌(HCC)占原发性肝癌的75%-85%，由于慢性肝病、乙肝病毒(HBV)感染等因素，发病率持续攀升。这种肿瘤早期症状隐匿，确诊时多属晚期，常规疗法效果有限且易复发。更棘手的是，肝癌具有显著的分子和细胞异质性——肿瘤微环境中癌细胞、免疫细胞、成纤维细胞等复杂互作，传统批量RNA测序难以捕捉这种多样性。单细胞技术的出现为破解这一难题带来曙光，但如何将海量单细胞数据转化为精准治疗方案，仍是悬而未决的科学难题。

为系统解析肝癌异质性并开发新型治疗策略，Houhong Wang、Youyuan Yang等学者在《npj Precision Oncology》发表重要研究。团队创新性地整合单细胞RNA测序与人工智能算法，从GSE166635数据集获取25,189个细胞转录组数据，通过严格质控筛选2,794个高质量细胞。采用主成分分析(PCA)、统一流形近似投影(UMAP)等降维技术，结合Louvain聚类和SingleR细胞注释，系统绘制了肝癌单细胞图谱。研究运用伪时间轨迹分析揭示肿瘤进化路径，通过差异表达分析鉴定关键基因，并采用图神经网络(GNN)预测药物-基因相互作用网络，最终筛选出具有治疗潜力的候选药物。

数据获取与预处理

研究从GEO数据库获取包含肿瘤组织(HCC2)和癌旁组织(HCC1)的scRNA-seq数据，严格过滤线粒体基因含量>5%的细胞。质控分析显示肿瘤组织线粒体基因表达更高(3.2% vs 2.1%)，提示肿瘤细胞处于代谢应激状态。

维度降维与特征选择

通过方差稳定变换筛选2,000个高变基因(HVGs)，捕获85%的转录组变异。PCA分析确定前10个主成分(解释78%变异)用于下游分析，UMAP可视化显示肿瘤与正常组织细胞的明显分离。

细胞聚类与注释

Louvain算法识别11个细胞亚群，SingleR注释显示包含肝细胞(35%)、成纤维细胞(15%)、内皮细胞(10%)及免疫细胞(单核/巨噬细胞40%)。伪时间轨迹分析发现AFP⁺/GPC3⁺细胞代表早期肿瘤状态，而EPCAM⁺/SPP1⁺细胞具有更强恶性特征。

差异表达与通路分析

鉴定1,178个DEGs(926上调/252下调)，其中APOA2、ALB在癌旁组织高表达，FTL、XIST在肿瘤组织富集。基因集富集分析(GSEA)显示脂代谢、PI3K-AKT和Wnt/β-catenin通路显著激活。蛋白互作网络识别APOE、GAPDH等枢纽基因。

生存分析与免疫浸润

Kaplan-Meier分析显示ALB(HR=0.56)和APOE(HR=0.6)高表达患者预后更好，而FTL(HR=1.52)和XIST(HR=1.42)高表达预示不良结局。CIBERSORT分析发现肿瘤组织中巨噬细胞浸润增加2.5倍，与免疫抑制微环境形成相关。

药物靶点预测

GNN模型(MSE=0.0581)预测SERPINA1-IGMESINE、APOA2-PKR-A等相互作用，筛选出钆贝酸葡胺、氟伐他汀等候选药物。网络分析显示APOE和ALB是药物作用的关键枢纽节点。

这项研究通过多组学整合策略，首次在单细胞分辨率揭示肝癌免疫抑制微环境的形成机制，证实APOE/ALB的肿瘤抑制作用与XIST/FTL的促癌功能。创新点在于：1) 建立单细胞数据驱动的GNN预测模型，突破传统药物筛选局限；2) 发现SAMD4B-APOA2-PD-L1轴可作为免疫治疗新靶点；3) 提出钆贝酸葡胺等老药新用方案。研究为肝癌精准治疗提供全新视角，其"单细胞+AI"的研究范式对其它恶性肿瘤研究具有重要借鉴意义。未来需通过类器官模型和临床试验验证预测药物的治疗效果，并探索不同肝癌亚型对预测方案的响应差异。