撰文| Qi

肿瘤并非由单一类型的细胞组成，而是包含多种细胞状态的复杂生态系统。这种异质性（ heterogeneity ）是癌症治疗失败和耐药性的主要原因之一。传统的单细胞 RNA 测序（ scRNA -seq ）技术虽然能解析细胞间的基因表达差异，但如何从海量数据中识别关键功能状态仍是一个巨大的挑战。目前，主流的分析方法包括聚类分析 和轨迹推断，前者 将细胞分组为离散的 “ 类型 ” ，但无法捕捉连续过渡状态 ， 后者可以 模拟细胞分化路径，但假设数据具有明确的谱系结构，而肿瘤细胞可能动态切换状态，缺乏固定轨迹。这两种方法均无法全面描述肿瘤细胞的 “ 表型连续体 ” （ phenotypic continuum ） ， 即细胞在多种功能状态间的动态过渡【1, 2】。

原型分析（ Archetypal Analysis ）是一种数学方法，旨在从数据中识别极端状态，并将所有数据点表示为这些原型的混合。例如，在三阴性（ TNBC ）中，可能存在 “ 增殖型 ” 、 “ 缺氧型 ” 和 “ 免疫刺激型 ” 等原型状态。然而，传统原型分析假设数据呈线性分布，而真实的单细胞数据具有高度非线性结构，导致分析结果不准确。

近日，来自耶鲁大学的Smita Krishnaswamy团队等在Cancer Discovery杂志上合作发表了一篇题为AAnetresolves a continuum ofspatiallylocalizedcell states to unveilintratumoralheterogeneity的文章，他们开发了AAnet（ Archetypal Analysis network ） ，通过神经网络学习单细胞数据中的原型状态，成功解析了三阴性乳腺癌的五个关键细胞状态：增殖型、氧化/脂肪生成型、缺氧型、细胞损伤/死亡型和免疫刺激型，这些原型在原发和转移灶中高度保守。此外，AAnet发现缺氧原型高表达葡萄糖转运蛋白GLUT3，并通过实验证明其是肿瘤生长和转移的关键调控因子。这一工具为癌症异质性研究提供了新范式，并可能推动精准治疗策略的开发。

AAnet （ Archetypal Analysis network ） 是 一种基于神经网络的非线性原型分析方法 ， 通过以下创新点突破技术瓶颈： 1 ） 自动编码器框架 ， 将数据映射到低维 “ 单纯形空间 ” （ simplex ），保留数据的几何结构 ； 2 ） 扩散极值（ Diffusion Extrema ）：利用图论识别数据中的极端点，避免将噪声误认为原型 ； 3 ） 跨模态整合 ， 结合单细胞转录组和空间转录组数据，揭示原型的空间分布规律。 该团队 在 接受人乳腺癌细胞 MDA-MB-231 移植 小鼠模型中应用 AAnet ，从原发肿瘤和转移灶（淋巴结、肝、肺）的单细胞数据中识别出五种原型 ： 1 ） 增殖型 ， 高表达细胞周期基因（ CDK1 、 CDC20 ） ， 与肿瘤快速生长相关 ； 2 ）氧化 / 脂肪生成型，与氧化代谢和应激的特征有关，氧化磷酸化（ OXPHOS ）是所有复制中富集程度最高的标志基因集，已被确定为与 TNBC 患者分离的肿瘤对新辅助化疗耐药和预后较差相关的最典型途径【3】； 3 ） 缺氧型 ， 富集糖酵解酶（ GLUT3 、 HK2 ）和核糖体基因 ， 预示化疗耐药和不良预后【4】； 4 ）细胞损伤 / 死亡型，最显著富集的是与细胞损伤或死亡相关的线粒体基因组编码基因； 5 ） 免疫刺激型 ， 高表达 HLA 抗原和细胞因子（ CXCL1 、 ICAM1 ） ， 可能招募抗肿瘤免疫细胞 。

此外，该团队还 通过空间转录组技术，发现原型在肿瘤中呈现明确的区域分布 ， 比如 增殖型远离肿瘤中心，与血管化区域共定位 ， 缺氧型集中于坏死核心，周围环绕免疫刺激型细胞 ， 而 免疫刺激型作为 “ 边界哨兵 ” ，分隔缺氧区和增殖区 。 还揭示了 肿瘤 - 微环境对话 ， 缺氧原型与中性粒细胞密切互作，通过 CD44-MIF 信号轴促进炎症 ， 免疫原型通过 MMP-ITGAM 等配体 - 受体对调控巨噬细胞浸润。

需要注意的是， 缺氧原型高表达 GLUT3 （葡萄糖转运蛋白 3 ），其亲和力是 GLUT1 的 3 倍，可能帮助肿瘤细胞在低氧环境下存活。 该团队 通过 体内外实验验证 敲除 GLUT3 显著抑制肿瘤球的形成 并 使肺转移灶减少 70% 。 在 34 例乳腺癌患者数据中， AAnet 也能 识别出与小鼠模型相似的原型，且跨越不同亚型（ ER+ 、 HER2+ 、 TNBC ），提示其普适性 。

综上，这项工作利用 AAnet 揭示 TNBC 的代谢异质性 并 提出 GLUT3 作为潜在治疗靶点 ， 通过原型分类患者， 有助于 指导个性化治疗。未来， AAnet 可拓展至其他癌症类型或免疫研究，成为单细胞时代的关键分析工具。

https://doi.org/10.1158/2159-8290.CD-24-0684

制版人：十一

参考文献

1. Lähnemann D, Köster J, Szczurek E, McCarthy DJ, Hicks SC, Robinson MD, et al. Eleven grand challenges in single-cell data science.Genome Biol. Springer Science; Business Media LLC; 2020;21:31 .

2. Wolf FA, Hamey FK, Plass M, Solana J, Dahlin JS, Göttgens B, et al. PAGA: Graph abstraction reconciles clustering with trajectory inference through a topology preserving map of single cells.Genome Biol. Springer Science; Business Media LLC; 2019;20:59 .

3. Evans KW, Yuca E, Scott SS, Zhao M, Arango NP, Pico CXC, et al. Oxidative Phosphorylation Is a Metabolic Vulnerability in Chemotherapy-Resistant Triple-Negative Breast Cancer.Cancer Res. 2021 The American Association for Cancer Research.; 2021;81:5572 – 81.

4. O ’ Reilly EA, Gubbins L, Sharma S, Tully R, Guang MHZ, Weiner- Gorzel K, et al. The fate of chemoresistance in triple negative breast cancer (TNBC).BBA Clin. Elsevier; 2015;3:257 – 75.

BioArt

Med

Plants

人才招聘

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【原创文章】BioArtMED原创文章，欢迎个人转发分享，未经允许禁止转载，所刊登的所有作品的著作权均为BioArtMED所拥有。BioArtMED保留所有法定权利，违者必究。