ixxmu
commented
5 months ago 当DepMap插上单细胞的翅膀|PERCEPTION算法的精准医疗魔力 by 生信编程自修室
近年来，精准肿瘤学（precision oncology）在推进癌症患者的治疗方面取得了重要进展，该领域主要使用DNA测序来识别癌症驱动基因中“可操作”的突变，并与患者治疗相匹配。但仍然有很大一部分癌症患者没有从靶向治疗中受益，因此需要通过分析更多其他组学数据的方法来使更多患者受益。上期介绍的DepMap资源就是一个，关于其介绍和应用详见先前的推送：肿瘤研究必修课 | DepMap癌症依赖性数据资源。然而，包括DepMap在内的包含药敏信息的组学方法的一个关键限制是它们主要基于bulk肿瘤数据。
单细胞测序技术，这个词听起来可能有些拗口，但它背后蕴藏的力量却足以改变癌症治疗的未来。想象一下，每个肿瘤细胞都有自己的“身份证”，通过单细胞测序，我们可以读懂这些身份证上的“密码”，揭示肿瘤内的复杂异质性从而助力精准医疗。然而，由于成本高昂，能够同时匹配治疗信息的单细胞数据少之又少。
那么，如果我们将单细胞数据和DepMap资源结合起来，能否更好地预测单个细胞对药物的响应呢？NIH的研究团队做出了这样的尝试。他们开发了一种名为PERCEPTION（PERsonalized Single-Cell Expression-Based Planning for Treatments In ONcology）的新算法。这项突破性的研究于今年4月发表在Nature Cancer上，让我们一起来了解一下这个激动人心的进展吧！
PERCEPTION模型概述
对于每种药物，PERCEPTION的构建分为三步：
基于细胞系的bulk RNA-seq数据和匹配的药物响应信息构建bulk表达模型；
使用细胞系的scRNA-seq数据和匹配的药物响应信息对bulk模型进行调整，建立sc表达模型；
以病人的sc表达作为输入，得到病人总体的药物响应预测结果。在这一步中，作者对“将单个细胞（克隆）的预测结果转化为病人总体响应的策略”进行了探索并确定了最优方案。
为了构建药物响应预测模型，作者从DepMap收集了488个癌症细胞系的bulk表达数据和药物响应谱系，其中有205个细胞系有公开发表的sc表达谱。对于每个药物，作者通过网格搜索的方法对基因数（10~500）进行调整，从而确定sc表达模型性能最优的基因特征数。通过留一交叉验证法来评估模型性能，用预测药物反应值和观察药物反应值的皮尔逊相关系数衡量模型性能。
作者共对133个FDA批准且在DepMap中有药敏信息的药物建立了PERCEPTION模型。评估模型是否可靠，作者认为皮尔逊相关性大于0.3的模型具有足够的预测能力。凭借这个阈值，保留了44个药物的PERCEPTION模型，这些模型在留一交叉验证和十倍交叉验证的平均性能分别为0.39和0.36。
对几个预测结果进行可视化体现了PERCEPTION模型预测的合理性，比如MDM2表达量与nutlin-3（一种MDM2拮抗剂）响应程度以及EGFR通路活性和EGFR抑制剂的一致性。
关于模型建立和使用，作者还提到了几个值得注意的点：
在交叉验证过程中，泛癌模型构建比癌症类型特异性细胞模型性能（预测该类型的细胞系）更优，因此PERCEPTION均为泛癌模型；
仅基于scRNA-seq构建的模型（没有对bulk-RNA-seq进行任何预训练）或者没有经过scRNA-seq数据进行超参调整的bulk表达模型的预测精度降低；
在应用时，如果是联合治疗的情况，那么这些药物中的最大预测响应作为对特定细胞克隆的预测结果。
预测临床试验中患者的治疗反应
作者首先在一组多发性骨髓瘤数据中检验模型的性能，该数据包含接收了四种药物联合治疗的患者的sc表达谱、转录克隆以及治疗响应标签。四种药物分别是daratumumab (靶向CD38单抗)，carfilzomib (蛋白酶体抑制剂)，lenalidomide (免疫调节剂) 和 dexamethasone (抗炎皮质类固醇)。
以每个转录克隆的平均表达作为输入，作者用PERCEPTION对每个克隆进行了响应预测，并设计了五种策略来确认最终的病人响应衡量：
加权平均（weighted mean killing）：所有克隆的反应的平均值，按其在肿瘤中的丰度加权；
未加权平均（unweighted mean killing）：所有克隆的响应平均值；
最敏感克隆响应（minimum killing）：最敏感克隆的响应值；
未加权的最抗性克隆响应（max killing）：最抗性克隆的响应值；
加权的最抗性克隆响应（max weighted killing）：最抗性克隆的响应，按其丰度比例加权。
结果显示策略（5）的AUC最高，因此模型以最抗性克隆的加权响应作为病人整体的响应结果。举个例子来看，患者Kydar19有三个克隆，其中两个低丰度克隆c2和c3对治疗有一定响应，而丰度最高的c1对治疗有一定抵抗。这意味着c1可能会驱动患者的反应。实际情况可能就是如此，在异质性的肿瘤克隆中，最具抵抗力的克隆最可能在治疗中被选择留下来，从而最好地反映临床结果。这个测试的结果一定程度上强调了单细胞分析揭示异质性肿瘤克隆的重要作用。
类似的，作者还在一个乳腺癌临床试验中应用PERCEPTION预测患者响应的情况。
作者还展示了模型在捕获靶向治疗过程中患者耐药性进展过程中的能力。在一个24名接受酪氨酸激酶抑制剂（erlotinib，dabrafenib，osimertinib，trametinib）治疗的非小细胞肺癌患者的数据中，包含了14个治疗前活检和25个治疗后活检的数据。基于靶向治疗的耐药性经常随着治疗时间的增长而增加的观点，我们从以下结果中可以看到，从治疗开始，获得耐受性的患者（progressive disease, PD）对治疗的抵抗程度随着时间的推移而增加。
既然具备了相对可靠的药物响应预测结果，针对对特定药物抵抗的患者，PERCEPTION能否预测其他药物来探索联合治疗的可能性呢？
作者首先在上述数据中探索了患者对其他药物的交叉敏感性。预测结果显示对erlotinib产生耐药性将引起对gemcitabine的交叉敏感性。这得到了一些报道的支持：gemcitabine治疗可以通过下调Akt来克服癌细胞系中对erlotinib的耐药性，而在患者中，gemcitabine+erlotinib联合治疗胰腺癌的临床三期已经实现了更高的总体生存率和无进展生存率。
作者也在其他具备联合测试的数据集中展示了PERCEPTION对于联合治疗的预测，以下展示了肺癌数据的结果。DKS打分定义为预测的killing相比于单独治疗最大killing的增长。相比于化疗的联合治疗，预测的前5种靶向联合治疗显著提高了DKS，并且这些联合治疗在杀伤的克隆上具有互补性。
总结
总的来说，这项研究通过整合数百种癌症细胞系的药敏信息以及bulk和sc数据，为单细胞分辨率的药物响应预测提供了潜在的思路。类似的工作还有scDrug、Beyondcell、DREEP、scDR、scPharm、scDEAL、comboSC等。
当然，这项工作还有一些局限性有待未来提高，比如只使用了有限的同质化的细胞系数据，体外剂量和体内计量的差异，对肿瘤微环境中免疫、基质等其他细胞的未加考虑可能忽视了毒副作用和靶向微环境细胞的可能性。
小编往期推文精选
Geneformer VS. scGPT 基础模型与单细胞大数据
https://mp.weixin.qq.com/s/RQeG5achhe2-5X7R15wjkg