当前位置：首页 > news >正文

公共数据挖掘！18万单细胞，41个数据集，手把手拆解Immunity跨组织（13种）、多组学联合（scRNA+CITE-seq）分析的研究思路

news 2026/3/26 18:59:51

在不同的组织或疾病状态下，人体内的巨噬细胞究竟是保持本色，还是会为了适应环境而发生彻底的重编程？

2021年8月10日，Immunity杂志发表了 Florent Ginhoux 和 Charles-Antoine Dutertre 团队的研究成果，该研究整合了海量单细胞转录组数据，构建了人类单核吞噬细胞的跨组织图谱，并定义了在健康和疾病状态下保守的基因特征。今天我们就来拆解一下这篇生信文章：Cross-tissue single-cell landscape of human monocytes and macrophages in health and disease。

研究概述

该研究通过整合来自41个数据集的178,651个单核吞噬细胞（MNP），建立了涵盖13种组织的人类单核吞噬细胞单细胞转录组纲要（MNP-VERSE）。研究团队进一步构建了专注于单核细胞和巨噬细胞的子图谱（MoMac-VERSE），识别出跨组织分布的专业化细胞亚群，并揭示了它们在癌症和炎症中的病理性扩增。研究重点分析了在多种人类肿瘤边缘积累的 IL4I1+PD-L1+IDO1+ 肿瘤相关巨噬细胞（TAM），证实其通过色氨酸降解和诱导调节性 T 细胞（Treg）进入肿瘤来发挥免疫抑制作用。

实验设计

研究者从健康和病理组织中筛选了41个单细胞转录组（scRNA-seq）数据集。实验首先采用 Seurat V3 流程对每个器官的数据进行分步整合，通过典型标记基因识别 MNP。为了验证测序数据，团队还利用内部产生的 SMART-seq2 数据，通过索引分选（indexed-sorting）获得了5种组织中1,830个细胞的蛋白质表达信息。随后，所有细胞被整合进统一的 MNP-VERSE 空间，并利用“转换矩阵”（transformed matrix）处理跨数据集的基因表达差异。最终，研究通过 Phenograph 聚类和差异表达分析确定了6个主要的 MNP 亚群。

研究结果

图1：整合41个数据集构建了人类 MNP-VERSE，确定了 cDC1、cDC2、mregDC、单核细胞及巨噬细胞在组织间的保守基因签名。

图2：建立 MoMac-VERSE 图谱，识别出不同组织间单核细胞和巨噬细胞的保守状态，并揭示了癌症与炎症环境下的整体重编程特征。

图3：验证了 Azimuth 算法的映射能力，并利用该工具对类风湿性关节炎和 COVID-19 患者的巨噬细胞异质性进行了从头绘图。

图4：确定了在肝硬化、肾炎、结肠炎以及多种肿瘤组织中特异性触发并富集的单核细胞与巨噬细胞病理状态。

图5：区分了组织长效驻留巨噬细胞与单核细胞来源巨噬细胞，并结合小鼠模型证实了肿瘤中 IL4I1+ 巨噬细胞的单核细胞起源。

图6：揭示了肿瘤边缘 T 细胞产生的 IFN-γ 和 CD40L 诱导单核细胞成熟为 IL4I1+ 巨噬细胞，进而调节 Treg 进入肿瘤的分子机制。

图7：通过多参数流式细胞术在肺癌和肝癌临床样本中验证了 MoMac-VERSE 识别出的巨噬细胞亚群异质性及空间分布特征。

数据分析

生信分析

本研究涉及的组学技术主要包括单细胞转录组测序（scRNA-seq）和单细胞转录组结合蛋白质组分析（CITE-seq）。

1. scRNA-seq数据分析

•数据预处理：过滤低质量细胞（基因数<500、线粒体读数>20%），统一数据格式。
•数据整合：采用Seurat V3锚定方法，先按器官水平整合不同研究的数据集，再提取 MNP 细胞进行跨组织的全局集成，生成转化矩阵（trans.matrix）。
•转换矩阵构建：提取所有数据集共有的10,000多个基因，通过标准化和比例缩放构建转换矩阵，以消除不同测序协议间的批次效应。
•降维与聚类：通过PCA进行 dimensionality reduction，选取前50个主成分用于UMAP分析，采用Phenograph算法进行细胞聚类（MNP-VERSE设100个近邻，MoMac-VERSE设150个近邻）。
•基因特征分析：计算差异表达基因（DEGs）和转化差异基因（DEtGs），以筛选各亚群的独特表达基因；再利用SCENIC分析基因调控网络，识别差异表达调控子（DERs）。
•功能与细胞间通讯预测：通过IPA进行通路分析和上游调控因子预测，然后利用NicheNet分析细胞间配体-受体相互作用。
•跨数据集映射：使用 Azimuth 算法将外部研究的“查询”数据集映射到 MoMac-VERSE 参考图谱上，从而实现跨研究的统一注释。

2. CITE-seq数据分析

结合scRNA-seq数据与蛋白质表达数据，验证IL4I1+巨噬细胞等亚群的表面蛋白标志物表达特征，关联基因表达与蛋白质表型。

3. 组学联合分析

将CITE-seq的蛋白质表达数据与scRNA-seq的基因表达数据联合，验证关键细胞亚群的基因型与表型一致性，为流式细胞术验证提供靶点依据。

统计分析

• 差异基因分析采用似然比检验，通过Bonferroni法校正多重检验；
• 细胞亚群比例比较采用配对t检验、Wilcoxon检验或单因素方差分析；
• 相关性分析采用Pearson相关系数计算；
• 统计显著性设定为p<0.05，部分分析设置logFC阈值（如0.25、0.025）筛选差异基因。

总结

研究意义

本研究构建了目前规模较大的人类单核吞噬细胞跨组织单细胞图谱，解决了不同研究中细胞命名不统一、数据难以比较的问题；明确了疾病相关的单核细胞和巨噬细胞亚群及其功能特征，尤其是肿瘤中免疫抑制性巨噬细胞的形成机制，为免疫治疗靶点筛选提供了新思路；提供的在线分析平台和公开数据资源，为相关领域的研究提供了重要工具和参考。

文章复现

这篇文章的组学数据和生信分析代码都公开了，非常全面。

• 组学数据：GEO数据库 accession GSE178209；
• 分析代码及图谱资源：https://github.com/gustaveroussy/FG-Lab；
• 在线分析平台：https://gustaveroussy.github.io/FG-Lab/。