基于单细胞转录组分辨率绘制胰腺神经内分泌肿瘤(pNET)细胞分化过程中代谢重编程动态变化图谱

《Frontiers in Genetics》：Mapping metabolic reprogramming dynamics across pancreatic neuroendocrine tumor cell differentiation at single-cell transcriptomic resolution

　　

背景：氧化磷酸化(OXPHOS)与有氧糖酵解之间的代谢切换是肿瘤生物学的基本特征，其在胰腺神经endocrine肿瘤(pNET)细胞分化过程中的动态调控尚不清楚，尤其在单细胞分辨率下缺乏表征。方法：研究人员分析了Gene Expression Omnibus(GEO)数据库中公开的pNET单细胞RNA测序(scRNA-seq)数据，在单细胞水平对pNET细胞进行谱分析。测序数据经过标准分析流程处理，包括拟时序排序、低维可视化、共表达网络构建及代谢状态评估。为验证关键转录模式，研究人员采用实时荧光定量PCR(qRT-PCR)和酶联免疫吸附试验(ELISA)检测了BON-1和QGP-1细胞中选定基因的mRNA及蛋白水平。结果：通过单细胞分析，研究人员将细胞群体解析为10个转录上不同的簇，注释为PT样肿瘤细胞、TAL样细胞、DCT样细胞、CNT/CD样细胞、内皮细胞、成纤维细胞、免疫细胞及足细胞样细胞，其中PT样肿瘤细胞占主导比例(67%)。经典标记基因SLC34A1、SLC5A2、LRP2、CUBN、ALDOB和GATM在UMAP嵌入中确认了PT样肿瘤细胞群体的身份。代谢状态注释识别出三种状态——OXPHOS高、混合型和糖酵解高，差异分布于PT亚簇间。糖酵解高与OXPHOS高状态间的差异表达分析鉴定出247个显著基因：OXPHOS基因ATP5F1B、ATP5F1A、COX4I1、NDUFA1和NDUFS1在OXPHOS高细胞中显著上调，而糖酵解酶HK1、HK2、ENO1、PKM和ALDOA在糖酵解高细胞中富集。梯度提升分类器区分代谢状态的ROC AUC＝0.673，PR AUC＝0.689，MALAT1为最具判别力且保守的特征。细胞间通讯分析识别出显著的TGFB1→TGFBR1、SPP1→CD44、VEGFA→KDR、CXCL12→CXCR4、EGF→EGFR和FGF2→FGFR1信号轴。qRT-PCR证实BON-1和QGP-1细胞中代谢基因协调变化(r＝0.91，P＜0.01)。ELISA证实了相应的蛋白水平改变。结论：pNET细胞的代谢程序沿分化轨迹从OXPHOS主导状态向糖酵解主导状态偏移。MALAT1、ATP5F1B、PKM和NDUFS1是关键调控节点。这些发现细化了对pNET分化过程中代谢重编程的认识，并提示靶向OXPHOS向糖酵解转变可作为胰腺神经endocrine肿瘤潜在治疗策略。

论文解读：基于单细胞转录组分辨率绘制胰腺神经内分泌肿瘤(pNET)细胞分化过程中代谢重编程动态变化图谱

本文发表于《Frontiers in Genetics》。胰腺神经内分泌肿瘤(pancreatic neuroendocrine tumors, pNETs)起源于胰岛朗格汉斯细胞，虽仅占胰腺恶性肿瘤的1%–2%，但其临床行为高度异质，可从惰性生长进展为去分化高级别神经内分泌癌，预后极差。细胞能量代谢是肿瘤行为的关键决定因素，正常分化细胞主要依赖线粒体氧化磷酸化(oxidative phosphorylation, OXPHOS)产生ATP，而多数肿瘤细胞即使在氧供充足条件下也优先利用有氧糖酵解(aerobic glycolysis)，即Warburg效应。这一代谢转换不仅是转化的副产物，还主动支持增殖、大分子合成、氧化还原稳态及凋亡抵抗。pNET源自具高分泌需求的代谢特化胰岛细胞，但其分化过程中OXPHOS与糖酵解动态转换的机制在单细胞层面尚未明确。传统批量RNA测序(bulk RNA-seq)掩盖了中间态或罕见状态，而单细胞RNA测序(single-cell RNA sequencing, scRNA-seq)可在单个细胞水平解析转录谱、重建分化连续体并识别代谢迥异亚群。因此，研究人员开展本研究，通过分析公共pNET scRNA-seq数据并结合体外实验验证，旨在描绘pNET细胞分化轨迹上的代谢重编程动态，明确OXPHOS–糖酵解平衡变化规律、关键调控分子及细胞间通讯网络，为pNET代谢靶向治疗提供理论依据。

主要关键技术方法：

研究人员使用GEO数据库中原 accession号GSE256136的人pNET scRNA-seq数据集（10× Genomics Chromium平台建库）。原始数据经Cell Ranger(v6.1.2)比对GRCh38并定量，导入R中Seurat(v4.3.0)进行质控（基因数200–6000、UMI 500–50000、线粒体基因＜10%）、归一化、高变基因选取及细胞周期回归；采用Louvain算法(resolution 0.8)聚类和UMAP/t-SNE降维，结合SingleR(v1.10.0)参照经典标记基因注释细胞类型。代谢状态通过Seurat AddModuleScore计算OXPHOS基因集（ATP5F1A、ATP5F1B、COX4I1、NDUFA1、NDUFS1、UQCRC1、CS、HADHA、ACADVL、MDH2）与糖酵解基因集（HK1、HK2、GPI、PFKP、ALDOA、ENO1、PKM、LDHA、LDHB）模块评分划分为OXPHOS-high、Mixed、Glycolysis-high。拟时序分析使用Monocle 3(v1.3.0)和CellRank(v1.5.1)重建分化轨迹。差异表达分析采用Wilcoxon秩和检验，功能富集用clusterProfiler(v4.4.0)做GO/KEGG分析。梯度提升(gradient boosting)分类器基于500个高变基因区分代谢状态，评估ROC AUC和PR AUC并提取特征重要性。细胞间配体–受体互作由CellChat(v1.5.0)推断。体外采用人pNET细胞系BON-1与QGP-1及正常人胰腺导管上皮HPDE6c7细胞，通过qRT-PCR和ELISA验证代谢基因mRNA及蛋白水平。

研究结果

Single-cell transcriptome profiling and quality control（单细胞转录组质控）：

研究人员对所有scRNA-seq文库进行质控，UMI数、检测基因数与线粒体比例均在可接受范围；nFeature_RNA与nCount_RNA呈强正相关(r＝0.87)，nFeature_RNA与线粒体百分比呈弱负相关(r＝-0.36)，证实质控过滤有效，数据集质量满足下游单细胞分析要求。

Dimensionality reduction, cell clustering, and metabolic state annotation（降维、细胞聚类及代谢状态注释）：

PCA捕获主要转录方差，取前30个主成分进行下游分析。UMAP聚类(resolution 0.8)识别出10个转录迥异簇，经经典标记基因和SingleR预测注释为PT样肿瘤细胞、TAL样细胞、DCT样细胞、CNT/CD样细胞、内皮细胞(Endo)、成纤维细胞(Fibro)、免疫细胞及足细胞样细胞；t-SNE投影验证了空间分离。代谢状态注释显示OXPHOS-high、Mixed、Glycolysis-high三种状态差异分布于UMAP空间；PT样肿瘤细胞进一步分为5个转录亚型，各亚型代谢基因表达不同。

PT-like tumor cell marker gene expression（PT样肿瘤细胞标记基因表达）：

UMAP特征图显示SLC34A1（钠依赖性磷酸盐转运蛋白）和SLC5A2（钠–葡萄糖协同转运蛋白2, SGLT2）在PT样簇富集；LRP2（megalin）与CUBN（cubilin）形成多配体内吞受体复合物，在PT样簇广泛表达；ALDOB（醛缩酶B）在部分细胞高表达；GATM（甘氨酸脒基转移酶，参与肌酸合成）在PT样群体中可变表达。6个标记共定位确认PT样肿瘤细胞区室的身份及异质性。

Metabolic reprogramming: Glycolysis versus oxidative phosphorylation（代谢重编程：糖酵解vs OXPHOS）：

糖酵解高与OXPHOS高状态差异表达分析获247个显著差异基因（adj P＜0.05，|log₂

Cell type composition and intercellular communication（细胞类型构成及细胞间通讯）：

细胞类型组成中PT样肿瘤细胞占67%，TAL样9%，成纤维细胞8%，CNT/CD样7%，其余各约2%。CellChat分析识别出6条显著配体–受体轴：TGFB1→TGFBR1（成纤维细胞–肿瘤细胞，促纤维化/免疫抑制微环境），SPP1→CD44（PT样与TAL样细胞间，代谢应激下存活），VEGFA→KDR（肿瘤–内皮，血管生成），CXCL12→CXCR4（免疫细胞招募），EGF→EGFR与FGF2→FGFR1（肿瘤细胞内自分泌/旁分泌环路）。各细胞类型nFeature_RNA、nCount_RNA及线粒体百分比密度分布符合细胞类型特异转录特征。

Pseudotime trajectory and predictive modeling（拟时序轨迹与预测建模）：

Monocle 3沿UMAP流形学习轨迹并以干性标记最高细胞为根，CellRank估算干样–祖样–分化态转移概率。沿拟时序pNET细胞呈连续分化分布。梯度提升分类器区分Glycolysis-high与OXPHOS-high细胞ROC AUC＝0.673，PR AUC＝0.689，性能随训练集增大稳定提升。特征重要性分析显示MALAT1（metastasis-associated lung adenocarcinoma transcript 1，长链非编码RNA）为最重要且跨物种高度保守的判别特征，其次为ATP5F1B、TMSB4X、UQCRC1、VIM、NDUFS1、PKM等。训练集与验证集细胞类型比例一致。

Experimental validation by qRT-PCR（qRT-PCR实验验证）：

以HPDE6c7为对照，BON-1中HK1、PKM、ENO1、ATP5F1B相对表达分别为4.87±0.42倍、5.12±0.44倍、3.89±0.35倍、2.61±0.23倍；QGP-1中分别为4.53±0.39、4.78±0.41、3.56±0.31、2.44±0.21倍。糖酵解基因显著升高(P＜0.001)，OXPHOS基因ATP5F1B相对降低，与scRNA-seq鉴定之Glycolysis-high表型一致。BON-1与QGP-1间相关系数r＝0.91(P＜0.01)，验证单细胞转录组发现。

Protein validation by ELISA（ELISA蛋白验证）：

BON-1中HK1、PKM、ENO1、ATP5F1B蛋白浓度分别为482.6±37.2 pg/mL、467.3±35.4 pg/mL、354.8±28.6 pg/mL、198.4±16.3 pg/mL，糖酵解蛋白显著高于HPDE6c7对照，ATP5F1B相应较低(P＜0.001)；QGP-1呈相似趋势。mRNA倍数变化与蛋白浓度跨两细胞系四基因Pearson相关r＝0.89(P＜0.01)，证实mRNA–蛋白一致性及代谢重编程失衡的生物学相关性。

讨论与结论总结：

研究人员讨论指出，pNET细胞沿分化拟时序呈现OXPHOS组件(ATP5F1B、ATP5F1A、COX4I1、NDUFA1、NDUFS1、UQCRC1)与糖酵解酶(HK1、HK2、ENO1、PKM、ALDOA、LDHB)表达的反向渐变关系——低分化/祖细胞样维持高OXPHOS，高分化细胞偏向有氧糖酵解。MALAT1作为首要判别特征及高度保守lncRNA，可能通过调控pre-mRNA可变剪接（影响PKM1/PKM2异构体选择）、表观抑制OXPHOS基因转录、或作为ceRNA吸附miR-145解除对HIF-1α–糖酵解网络的抑制，协调OXPHOS–糖酵解切换。PT样肿瘤细胞内部5个转录亚簇具不同OXPHOS-high/Mixed/Glycolysis-high比例，反映代谢异质性，提示单一代谢抑制剂难奏效，联合抑制糖酵解与OXPHOS或可防代偿性逃逸。鉴定的配体–受体轴(TGFB1→TGFBR1、SPP1→CD44、VEGFA→KDR、CXCL12→CXCR4等)将代谢重编程与肿瘤微环境串扰相联系。qRT-PCR与ELISA在细胞系中验证了scRNA-seq代谢特征可翻译至蛋白水平。局限性包涵依赖细胞系、为观察性非机制研究、ELISA为群体平均未捕捉单细胞蛋白异质性，未来需在患者组织行sc/spatial转录组、多重免疫荧光、类器官及体内¹³C代谢流示踪，并行MALAT1等功能缺失/获得实验。

结论（翻译）：

单细胞转录组学分析揭示pNET细胞在分化过程中经历从OXPHOS主导到糖酵解主导的协调性代谢转换。占分析群体67%的PT样肿瘤细胞在十个亚簇中存在显著代谢异质性，其中糖酵解高细胞富集HK1、HK2、ENO1、PKM、ALDOA、ALDOB和GATM。MALAT1、ATP5F1B、PKM和NDUFS1系关键调控节点。上述发现细化了当前对pNET分化过程中代谢重编程的理解，并提示靶向OXPHOS向糖酵解转变系胰腺神经内分泌肿瘤的潜在治疗策略。