search

ixxmu / mp_duty

抓取网络文章到github issues保存
https://archives.duty-machine.now.sh/
115 stars 30 forks source link

免疫治疗前后T细胞亚群比例变化真的重要吗？准确吗？ #1335

Closed ixxmu closed 3 years ago

ixxmu commented 3 years ago

https://mp.weixin.qq.com/s/8VUG_bc_fmh44pqJh5iPfQ

github-actions[bot] commented 3 years ago

免疫治疗前后T细胞亚群比例变化真的重要吗？准确吗？ by 单细胞天地

看到了一个学术海报：《Single-cell RNA sequencing to delineate changes in tumor microenvironment induced by immunotherapy》，是 Laboratory of Experimental Oncology, Department of General Medical Oncology, University Hospitals Leuven, KU Leuven, Belgium 的实验室，通讯作者是 Diether Lambrechts 和Ann Smeets

全部的7个癌症相关样品的10x单细胞转录组数据的整合后走单细胞标准流程，降维聚类分群，一般来说肿瘤样品的单细胞就应该是首先是按照如下所示的标记基因进行第一次分群 ：

  • immune (CD45+,PTPRC),
  • epithelial/cancer (EpCAM+,EPCAM),
  • stromal (CD10+,MME,fibo or CD31+,PECAM1,endo)

背诵下面的基因即可：

# T Cells (CD3D, CD3E, CD8A), 
# B cells (CD19, CD79A, MS4A1 [CD20]), 
# Plasma cells (IGHG1, MZB1, SDC1, CD79A), 
# Monocytes and macrophages (CD68, CD163, CD14),
# NK Cells (FGFBP2, FCG3RA, CX3CR1),  
# Photoreceptor cells (RCVRN), 
# Fibroblasts (FGF7, MME), 
# Endothelial cells (PECAM1, VWF). 
# epi or tumor (EPCAM, KRT19, PROM1, ALDH1A1, CD24).
#   immune (CD45+,PTPRC), epithelial/cancer (EpCAM+,EPCAM), 
# stromal (CD10+,MME,fibo or CD31+,PECAM1,endo) 

library(ggplot2) 
genes_to_check = c('PTPRC', 'CD3D', 'CD3E', 'CD4','CD8A',
                   'CD19', 'CD79A', 'MS4A1' ,
                   'IGHG1', 'MZB1', 'SDC1',
                   'CD68', 'CD163', 'CD14', 
                   'TPSAB1' , 'TPSB2',  # mast cells,
                   'RCVRN','FPR1' , 'ITGAM' ,
                   'C1QA',  'C1QB',  # mac
                   'S100A9', 'S100A8', 'MMP19',# monocyte
                   'LAMP3', 'IDO1','IDO2',## DC3 
                   'CD1E','CD1C', # DC2
                   'KLRB1','NCR1', # NK 
                   'FGF7','MME', 'ACTA2', ## fibo 
                   'DCN', 'LUM',  'GSN' , ## mouse PDAC fibo 
                   'Amy1' , 'Amy2a2', # Acinar_cells
                   'PECAM1', 'VWF',  ## endo 
                   'EPCAM' , 'KRT19', 'PROM1', 'ALDH1A1' )


单细胞转录组数据分析的标准降维聚类分群，并且进行生物学注释后的结果。可以参考前面的例子：人人都能学会的单细胞聚类分群注释 ，我们演示了第一层次的分群。

如果你对单细胞数据分析还没有基础认知，可以看基础10讲：

因为海报里面并没有展示全部的单细胞亚群的可视化，仅仅是提取T细胞相关亚群进行可视化，如下所示：

仅仅是T细胞的降维聚类分群

可以看到T细胞的细分亚群，就并不能跟第一层次分群那样各个细胞亚群之间泾渭分明。

因为有两个分组，所以可以看表达量差异以及细胞比例的差异，可以看到，a single dose of Pembrolizumab 会导致PD-1表达量升高！

因为这7个10x单细胞转录组样品的项目里面，其中是有两个病人是处理前后的，可以进行更加细致的比较，可以查看：

  • Overview of the tumor microenvironment of patient 3 and 4, before and after one dose of Pembrolizumab
  • General overview of the different T cell populations of patient 3 and 4
  • Overview of the different T cell populations of patient 3 and 4, before and after one dose of Pembrolizumab

如下所示：

细胞比例变化

可以看到，从第一层次细胞亚群来看，T细胞就是在治疗后比例增加了。当然，这个结论仅仅是针对这两个病人的实验数据来说的。

然后呢，如果细看T细胞的各个功能亚群（naive, memory ，effector，cytotoxic，Exhaustion），可以看到两个病人各自内部的T细胞亚群的变化根本就不统一。

这个时候看比例其实还不如看gsea或者gsva的打分，比如计算resident, cytotoxic, exhausted, and costimulatory score ：

  • 5 resident markers (RUNX3, NR4A1, CD69, CXCR6, and NR4A3),
  • 7 cytotoxicity associated genes (PRF1, IFNG, GNLY, NKG7, GZMB, GZMA, CST7, and TNFSF10),
  • 5 exhausted markers (CTLA4, HAVCR2, LAG3, PDCD1, and TIGIT)
  • 6 costimulatory molecular genes (ICOS, CD226, TNFRSF14, TNFRSF25, TNFRSF9, and CD28)

更有意思的是：

在我写这个笔记准备分享的那一刻刷了一下收集看到了《国际上迄今为止针对TNBC肿瘤相关免疫细胞的规模最大的单细胞组学研究》：该研究利用单细胞 RNA 测序 (RNA-seq) 和 ATAC 测序 (ATAC-seq) 技术来表征 22 名接受紫杉醇或其与 atezolizumab 联合治疗的 TNBC 患者的免疫细胞的细胞和分子动力学。该研究揭示了抗 PD-L1 疗法的耐药性和敏感性的基础，确定了对 atezolizumab 的反应性免疫细胞亚型，并提出了紫杉醇联合 atezolizumab 在 TNBC 治疗中的潜在缺点。

其表达量矩阵是公开可以获取的：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE169246 ， 而文章的链接是；https://www.cell.com/cancer-cell/fulltext/S1535-6108(21)00499-2 

而且还开发了一个网页工具来辅助探索表达量或者细胞比例变化，希望大家可以下载该数据集以及该文章看看能否跟我们标题相互呼应！


往期回顾

乳腺癌患者抗PD1治疗期间肿瘤内变化的单细胞图谱

单细胞测序中子宫内膜细胞悬液制备

晚期非小细胞肺癌肿瘤异质性和微环境的单细胞分析

单细胞转录组的时间序列数据分析



如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程



看完记得顺手点个“在看”哦！


生物 | 单细胞 | 转录组丨资料
每天都精彩

长按扫码可关注



github-actions[bot] commented 3 years ago

免疫治疗前后T细胞亚群比例变化真的重要吗？准确吗？ by 单细胞天地

看到了一个学术海报：《Single-cell RNA sequencing to delineate changes in tumor microenvironment induced by immunotherapy》，是 Laboratory of Experimental Oncology, Department of General Medical Oncology, University Hospitals Leuven, KU Leuven, Belgium 的实验室，通讯作者是 Diether Lambrechts 和Ann Smeets

全部的7个癌症相关样品的10x单细胞转录组数据的整合后走单细胞标准流程，降维聚类分群，一般来说肿瘤样品的单细胞就应该是首先是按照如下所示的标记基因进行第一次分群 ：

  • immune (CD45+,PTPRC),
  • epithelial/cancer (EpCAM+,EPCAM),
  • stromal (CD10+,MME,fibo or CD31+,PECAM1,endo)

背诵下面的基因即可：

# T Cells (CD3D, CD3E, CD8A), 
# B cells (CD19, CD79A, MS4A1 [CD20]), 
# Plasma cells (IGHG1, MZB1, SDC1, CD79A), 
# Monocytes and macrophages (CD68, CD163, CD14),
# NK Cells (FGFBP2, FCG3RA, CX3CR1),  
# Photoreceptor cells (RCVRN), 
# Fibroblasts (FGF7, MME), 
# Endothelial cells (PECAM1, VWF). 
# epi or tumor (EPCAM, KRT19, PROM1, ALDH1A1, CD24).
#   immune (CD45+,PTPRC), epithelial/cancer (EpCAM+,EPCAM), 
# stromal (CD10+,MME,fibo or CD31+,PECAM1,endo) 

library(ggplot2) 
genes_to_check = c('PTPRC', 'CD3D', 'CD3E', 'CD4','CD8A',
                   'CD19', 'CD79A', 'MS4A1' ,
                   'IGHG1', 'MZB1', 'SDC1',
                   'CD68', 'CD163', 'CD14', 
                   'TPSAB1' , 'TPSB2',  # mast cells,
                   'RCVRN','FPR1' , 'ITGAM' ,
                   'C1QA',  'C1QB',  # mac
                   'S100A9', 'S100A8', 'MMP19',# monocyte
                   'LAMP3', 'IDO1','IDO2',## DC3 
                   'CD1E','CD1C', # DC2
                   'KLRB1','NCR1', # NK 
                   'FGF7','MME', 'ACTA2', ## fibo 
                   'DCN', 'LUM',  'GSN' , ## mouse PDAC fibo 
                   'Amy1' , 'Amy2a2', # Acinar_cells
                   'PECAM1', 'VWF',  ## endo 
                   'EPCAM' , 'KRT19', 'PROM1', 'ALDH1A1' )


单细胞转录组数据分析的标准降维聚类分群，并且进行生物学注释后的结果。可以参考前面的例子：人人都能学会的单细胞聚类分群注释 ，我们演示了第一层次的分群。

如果你对单细胞数据分析还没有基础认知，可以看基础10讲：

因为海报里面并没有展示全部的单细胞亚群的可视化，仅仅是提取T细胞相关亚群进行可视化，如下所示：

仅仅是T细胞的降维聚类分群

可以看到T细胞的细分亚群，就并不能跟第一层次分群那样各个细胞亚群之间泾渭分明。

因为有两个分组，所以可以看表达量差异以及细胞比例的差异，可以看到，a single dose of Pembrolizumab 会导致PD-1表达量升高！

因为这7个10x单细胞转录组样品的项目里面，其中是有两个病人是处理前后的，可以进行更加细致的比较，可以查看：

  • Overview of the tumor microenvironment of patient 3 and 4, before and after one dose of Pembrolizumab
  • General overview of the different T cell populations of patient 3 and 4
  • Overview of the different T cell populations of patient 3 and 4, before and after one dose of Pembrolizumab

如下所示：

细胞比例变化

可以看到，从第一层次细胞亚群来看，T细胞就是在治疗后比例增加了。当然，这个结论仅仅是针对这两个病人的实验数据来说的。

然后呢，如果细看T细胞的各个功能亚群（naive, memory ，effector，cytotoxic，Exhaustion），可以看到两个病人各自内部的T细胞亚群的变化根本就不统一。

这个时候看比例其实还不如看gsea或者gsva的打分，比如计算resident, cytotoxic, exhausted, and costimulatory score ：

  • 5 resident markers (RUNX3, NR4A1, CD69, CXCR6, and NR4A3),
  • 7 cytotoxicity associated genes (PRF1, IFNG, GNLY, NKG7, GZMB, GZMA, CST7, and TNFSF10),
  • 5 exhausted markers (CTLA4, HAVCR2, LAG3, PDCD1, and TIGIT)
  • 6 costimulatory molecular genes (ICOS, CD226, TNFRSF14, TNFRSF25, TNFRSF9, and CD28)

更有意思的是：

在我写这个笔记准备分享的那一刻刷了一下收集看到了《国际上迄今为止针对TNBC肿瘤相关免疫细胞的规模最大的单细胞组学研究》：该研究利用单细胞 RNA 测序 (RNA-seq) 和 ATAC 测序 (ATAC-seq) 技术来表征 22 名接受紫杉醇或其与 atezolizumab 联合治疗的 TNBC 患者的免疫细胞的细胞和分子动力学。该研究揭示了抗 PD-L1 疗法的耐药性和敏感性的基础，确定了对 atezolizumab 的反应性免疫细胞亚型，并提出了紫杉醇联合 atezolizumab 在 TNBC 治疗中的潜在缺点。

其表达量矩阵是公开可以获取的：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE169246 ， 而文章的链接是；https://www.cell.com/cancer-cell/fulltext/S1535-6108(21)00499-2 

而且还开发了一个网页工具来辅助探索表达量或者细胞比例变化，希望大家可以下载该数据集以及该文章看看能否跟我们标题相互呼应！


往期回顾

乳腺癌患者抗PD1治疗期间肿瘤内变化的单细胞图谱

单细胞测序中子宫内膜细胞悬液制备

晚期非小细胞肺癌肿瘤异质性和微环境的单细胞分析

单细胞转录组的时间序列数据分析



如果你对单细胞转录组研究感兴趣，但又不知道如何入门，也许你可以关注一下下面的课程



看完记得顺手点个“在看”哦！


生物 | 单细胞 | 转录组丨资料
每天都精彩

长按扫码可关注