当前位置：首页 > news >正文

单细胞转录组学 scRNA-seq 2024：4种CAF亚型（proCAF/iCAF/myCAF/matCAF）鉴定与功能解析

news 2026/7/10 3:04:26

单细胞转录组学 scRNA-seq 2024：4种CAF亚型（proCAF/iCAF/myCAF/matCAF）鉴定与功能解析

肿瘤微环境（TME）中的癌症相关成纤维细胞（CAF）是近年来肿瘤研究的热点之一。随着单细胞转录组测序（scRNA-seq）技术的成熟，研究者们逐渐揭开了CAF异质性的神秘面纱。2024年，基于大规模单细胞数据分析，科学界已达成共识：CAF至少可分为四种功能迥异的亚型——祖细胞样CAF（proCAF）、炎症性CAF（iCAF）、肌成纤维细胞样CAF（myCAF）和基质生成CAF（matCAF）。这些亚型不仅在基因表达谱上存在显著差异，更在肿瘤发生、发展和治疗抵抗中扮演着不同角色。

对于从事肿瘤微环境研究的科研人员而言，准确鉴定这些CAF亚型并理解其功能特性至关重要。本文将基于最新的研究方法，详细介绍如何利用scRNA-seq数据进行CAF亚型分析，包括从原始数据处理到亚型鉴定的完整流程，以及各亚型的关键生物学特征和临床意义。我们特别关注实际操作中的技术细节，提供可复现的分析代码和参数设置，帮助研究者避开常见的数据分析陷阱。

1. CAF亚型鉴定的实验设计与数据准备

1.1 样本获取与单细胞文库构建

获取高质量的CAF单细胞数据是研究的第一步。与肿瘤细胞不同，CAF的分离需要特别注意以下环节：

组织解离方案：采用温和的酶消化组合（如胶原酶IV+透明质酸酶+DNase I），37℃消化时间控制在30-45分钟，避免过度消化导致细胞应激反应。对于纤维化明显的肿瘤（如胰腺癌或乳腺癌），可适当延长至60分钟但需密切监测细胞活性。

# 示例：使用Seurat创建单细胞对象前的质量控制 library(Seurat) sc_data <- Read10X(data.dir = "filtered_feature_bc_matrix/") caf <- CreateSeuratObject(counts = sc_data, min.cells = 3, min.features = 200) caf[["percent.mt"]] <- PercentageFeatureSet(caf, pattern = "^MT-") caf <- subset(caf, subset = nFeature_RNA > 200 & nFeature_RNA < 6000 & percent.mt < 15)

细胞分选策略：建议采用阴性分选（去除CD45+免疫细胞和EPCAM+上皮细胞）结合CAF表面标志物（如FAP、PDPN、THY1）的阳性分选。流式分选压力可能影响细胞状态，应考虑使用微流控分选或索引排序技术。

1.2 单细胞测序平台选择

不同单细胞测序平台对CAF研究各有优劣：

平台	通量	基因捕获效率	适用场景	CAF研究推荐指数
10x Genomics	高	中等	大规模细胞群体分析	★★★★☆
Smart-seq2	低	高	深度测序需求	★★★☆☆
BD Rhapsody	中	高	靶向panel设计	★★★★☆
microwell-seq	高	低	成本敏感型研究	★★☆☆☆

提示：研究CAF亚型转换或稀有亚群时，建议采用10x Genomics+Smart-seq2的组合策略——前者用于全景分析，后者用于关键亚群的深度测序。

2. CAF亚型鉴定的生物信息学流程

2.1 数据预处理与质量控制

原始数据处理是保证后续分析可靠性的关键。我们推荐以下标准化流程：

双峰检测与去除：使用DoubletFinder或scrublet识别并去除双细胞
批次校正：当整合多个样本时，Harmony或Seurat的CCA方法效果较好
细胞周期评分：CAF亚型与细胞周期状态密切相关，应进行回归处理

# 使用Scanpy进行基本分析的Python示例 import scanpy as sc adata = sc.read_10x_mtx("path/to/matrix") sc.pp.filter_genes(adata, min_cells=3) sc.pp.normalize_total(adata, target_sum=1e4) sc.pp.log1p(adata) sc.pp.highly_variable_genes(adata, min_mean=0.0125, max_mean=3, min_disp=0.5) adata = adata[:, adata.var.highly_variable] sc.pp.regress_out(adata, ['total_counts', 'pct_counts_mt']) sc.pp.scale(adata, max_value=10)

2.2 主成分分析与聚类

CAF亚型鉴定依赖于高质量的聚类分析。关键参数包括：

PCA维度选择：建议使用JackStrawPlot或肘部法则确定，通常在15-30之间
分辨率参数：CAF亚型细分需要较高分辨率（Seurat中1.2-2.0）
聚类算法：Louvain算法对CAF亚型分离效果稳定

CAF分群常见问题与解决方案：

过度聚类：合并相似cluster（使用SingleR或marker基因验证）
亚型混合：检查批次效应或尝试SCT标准化
稀有亚群丢失：降低分辨率或使用subclustering

2.3 四种CAF亚型的标志基因鉴定

基于最新研究，四种CAF亚型的典型标志基因如下：

亚型	标志基因	功能特征	相关通路
proCAF	IGF1, OGN, C7, MFAP5	增殖能力强，具有干细胞特性	FGF信号、WNT信号
iCAF	CCL2, CXCL12, CXCL14, IL6	免疫调节功能突出	JAK-STAT、NF-κB
myCAF	ACTA2, TAGLN, MYL9, RGS5	收缩能力强，促进纤维化	TGF-β、YAP/TAZ
matCAF	COL10A1, POSTN, CTHRC1	基质重塑能力显著	ECM-receptor、Hippo

注意：这些标志基因在不同癌种中可能有所差异，建议通过差异表达分析确定特定肿瘤中的最佳标志组合。

3. CAF亚型的功能解析技术

3.1 伪时间分析揭示亚型动态转换

Monocle2和PAGA是研究CAF亚型转换轨迹的利器。以下是典型分析步骤：

选择高变基因作为排序特征
降维（DDRTree或UMAP）
构建轨迹并分叉分析
识别分支依赖基因

# Monocle2轨迹分析代码示例 library(monocle) cds <- newCellDataSet(cell_data, expressionFamily=negbinomial.size()) cds <- estimateSizeFactors(cds) cds <- estimateDispersions(cds) cds <- detectGenes(cds, min_expr=0.1) disp_table <- dispersionTable(cds) ordering_genes <- subset(disp_table, mean_expression >= 0.5 & dispersion_empirical >= 1 * dispersion_fit)$gene_id cds <- setOrderingFilter(cds, ordering_genes) cds <- reduceDimension(cds, max_components=2, method='DDRTree') cds <- orderCells(cds) plot_cell_trajectory(cds, color_by="CAF_subtype")