基于单细胞- bulk转录组映射的药物敏感性计算去卷积:CLIMB-CLIFF框架

《PLOS Computational Biology》:Computational deconvolution of drug sensitivity via single-cell–to–bulk transcriptome mapping

【字体: 大 中 小 】 时间:2026年10月17日 来源:PLOS Computational Biology 3.7

编辑推荐:

  基础和生物医学研究中常规开展的分析常报告源自异质细胞混合物的聚合信号,这些混合物反映了所来源组织与器官的内在解剖和功能复杂性。此类bulk测量掩盖了细胞特异性信号,阻碍对潜在生物过程的准确解读。在此,研究人员引入CLIMB和CLIFF,一个两步机器学习框架,将

  
基础和生物医学研究中常规开展的分析常报告源自异质细胞混合物的聚合信号,这些混合物反映了所来源组织与器官的内在解剖和功能复杂性。此类bulk测量掩盖了细胞特异性信号,阻碍对潜在生物过程的准确解读。在此,研究人员引入CLIMB和CLIFF,一个两步机器学习框架,将bulk RNA-seq去卷积为细胞类型组成与表达,进而将bulk药物敏感性测量解析为细胞亚型及单细胞特异性图谱。研究人员首先利用具有实验已知细胞类型比例的白血病细胞系体外混合物验证CLIMB,然后将验证扩展至基于两个疾病背景和五种癌症类型的独立单细胞RNA测序(single-cell RNA sequencing, scRNA-seq)参考所构建的大规模跨数据集伪bulk分析,模拟实际应用中遇到的参考-目标不匹配,并证明CLIMB能准确推断bulk样本的细胞组成,优于最先进的bulk去卷积方法。研究人员强调CLIMB在急性髓系白血病(acute myeloid leukemia, AML)中的有效性,在三个测试数据集和三个患者队列中实现了白血病干细胞(leukemic stem cell, LSC)比例的高度准确估计。随后,研究人员在相同的体外细胞系混合物上利用实验测得的药物反应验证了CLIFF——一种用于估计细胞亚型和单细胞特异性药物敏感性的算法,并通过深入、真实规模的伪bulk模拟进一步验证。研究人员将去卷积策略应用于beatAML队列数据集,这是目前最广泛的离体药物筛选数据库。该分析生成了121种化合物的细胞亚型分辨药物敏感性图谱,揭示了多种可能靶向白血病干细胞的化合物,包括midostaurin、A-674563、SNS-032和foretinib。总之,研究人员的工作引入了一个通用计算框架,可在细胞类型和单细胞分辨率下解析bulk功能测量,为药物开发和精准医学提供了有吸引力的新计算工具。
背景与目的
基础和生物医学研究中的常规转录组分析通常报告来自异质细胞混合物的聚合信号(bulk信号),掩盖细胞特异性信息,阻碍精确解读。离体药物敏感性筛选(ex-vivo drug sensitivity screening, DSS)虽能平行测试大量化合物,但只能测量混合细胞群的平均反应,无法区分细胞亚型。细胞分选技术(如荧光激活细胞分选,FACS)受细胞数量、标记物和完整性限制。因此,计算去卷积(deconvolution)方法成为必要。急性髓系白血病(acute myeloid leukemia, AML)因高度细胞异质性和分化状态与药物反应的密切关联,是理想的应用场景;其中白血病干细胞(leukemic stem cell, LSC)是引发复发和预后不良的关键亚型,但缺乏明确的药物敏感性信息。为此,研究人员开发了CLIMB和CLIFF两步机器学习框架,以实现bulk RNA-seq和bulk药物敏感性的细胞亚型级和单细胞级解析。

研究内容与意义
研究人员通过体外细胞系混合物、跨数据集伪bulk分析、三个AML患者队列及beatAML大规模药物筛选数据,验证了该框架。结果显示,CLIMB在细胞组成推断上优于现有方法,CLIFF能生成细胞亚型和单细胞分辨率的药物敏感性图谱,并预测出多个靶向LSC的候选药物,为药物开发和精准医学提供了新工具。

关键技术方法(不超过250字)
主要方法包括:1. CLIMB:采用非负线性模型将每个bulk样本映射到参考单细胞RNA测序(single-cell RNA sequencing, scRNA-seq)矩阵中的单个细胞,通过迭代经验贝叶斯子采样校正参考细胞比例偏差,推断细胞亚型比例和细胞亚型特异性表达。2. CLIFF:基于概率模型,将bulk存活率视为潜在细胞亚型存活概率的加权混合,使用期望最大化(expectation-maximization, EM)算法估计参数,通过sigmoid函数关联表达和突变协变量,输出细胞亚型或单细胞药物敏感性。3. 验证数据:体外构建HL60、SUDHL4、K562、THP1白血病细胞系混合物;利用Van Galen等、Naldini等公开scRNA-seq数据生成跨数据集伪bulk;应用至beatAML(286例)、Leucegene和TCGA-AML(共628例)队列。4. 模拟:基于Dirichlet分布生成200个伪bulk和10种模拟药物数据。

研究结果
实验设计:研究人员开发了CLIMB,其将bulk转录组建模为单个单细胞谱的非负线性组合,通过经验贝叶斯子采样校正参考偏差,并输出细胞亚型比例和表达;CLIFF进一步将bulk药物反应分解为细胞亚型存活概率。
评估bulk去卷积方法预测癌细胞系混合物细胞组成:通过体外四细胞系混合物(六种比例)实验,CLIMB在均方根误差(RMSE)、Pearson相关系数(PCC)、Spearman相关系数(SCC)和R2等指标上与Scaden并列最佳,显著优于其他七种方法。
评估非负最小二乘(NNLS)在bulk和伪bulk中的表现:NNLS在伪bulk中准确但在真实bulk中失效,CLIMB保持稳定,体现对跨平台差异的稳健性。
评估参考数据集细胞比例潜在偏差:模拟从强相关到零相关的11种情景,CLIMB迭代校正版本(CLIMB-corrected)比初始版本更准确且偏差更低。
使用scRNA-seq衍生的伪bulk样本进行跨数据集基准测试:整合两个疾病背景、五种癌症类型的十对跨数据集分析,CLIMB总体排名第一;在AML分析中,CLIMB在Van Galen>Naldini和Naldini>Van Galen等情景中表现最佳,并高精度预测HSC-like(LSC相关)细胞比例;在结直肠癌、黑色素瘤、胶质母细胞瘤中也有优异表现。
三个AML患者队列的bulk细胞亚型丰度去卷积:对beatAML、Leucegene、TCGA-AML共628例样本,CLIMB推断的细胞亚型比例与FAB分类一致,HSC-like比例与LSC17签名相关。
bulk表达去卷积为细胞亚型表达及模拟过表达基准测试:CLIMB整体模式在体外细胞系(PCC=0.94)和AML标记基因(PCC=0.75)表达去卷积中准确,模拟过表达倍数≥10时可有效检测。
体外细胞系混合物的药物敏感性去卷积基准测试:CLIFF预测的细胞活力与真实值PCC为0.80,RMSE显著低于Zeng、Bottomly和线性回归方法。
模拟离体药物敏感性试验基准测试:基于200个伪bulk和10种模拟药物,CLIFF整体模式中位PCC为0.82,约25个样本即可达PCC>0.6。
CLIMB和CLIFF的稳健性、可识别性和可扩展性:跨11个金标准数据集,经验贝叶斯校正提升9/11准确性;当样本间细胞比例相关性>0.9时CLIFF可识别性下降;默认初始化有效;运行时间随样本数、基因数、参考细胞数近似线性增长。
使用beatAML队列将bulk药物敏感性去卷积为细胞亚型敏感性:CLIFF生成121种化合物×19细胞亚型敏感性图谱,与文献中22对药物-细胞亚型相互作用比对,16/22明确一致(72.7%),预测靶向HSC-like的药物包括midostaurin、A-674563、SNS-032、foretinib。
单细胞分辨率预测识别耐药癌细胞亚群:CLIFF-SC对venetoclax、A-674563、foretinib、nilotinib进行单细胞敏感性预测,发现venetoclax耐药HSC-like细胞亚群,差异表达分析显示NPM1下调、ANXA1和TMSB4XP8上调。

讨论与结论
讨论指出,以往研究仅用细胞亚型比例与bulk药物反应的相关性,未提供细胞水平的药物敏感性解释;本框架通过CLIMB与CLIFF生成可解释的细胞亚型活力指标,其优势在于利用全单细胞表达矩阵和EM算法去卷积。局限包括缺乏患者真实金标准、依赖上游CLIMB准确性、体外环境可能影响脆弱细胞亚型、参考缺失或严重耗竭的细胞类型无法恢复。研究结论翻译为:总的来说,研究人员的工作引入了一个通用计算框架,用于在细胞类型和单细胞分辨率下解析bulk功能测量,为药物开发和精准医学提供了有吸引力的新计算工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号