约翰霍普金斯团队利用多组学确定胰腺癌进展的标志物

　　

约翰霍普金斯大学的研究人员近日利用一种新的工作流程，将空间转录组学和机器学习与成像分析和单细胞数据集相整合，确定了胰腺癌发病过程中的新型分子和细胞标志物。

这篇题为“PanIN and CAF transitions in pancreatic carcinogenesis revealed with spatial data integration”的论文于8月发表在《Cell Systems》杂志上，为了解癌前环境中不同类型细胞的基因表达和空间分布提供了新的视角。

胰腺导管腺癌（PDAC）是由胰腺的癌前病变产生的。其中一种病变类型是胰腺上皮内瘤变（PanIN），它们出现在胰腺中，数年后才发展成为浸润性癌症。由于PanIN非常小，传统的临床成像检测无法发现它们。

以往的分析方法，如批量细胞测序和单细胞测序，可以捕捉肿瘤微环境中癌细胞及其他细胞的基因表达。不过，约翰霍普金斯大学医学院的助理教授Luciane Kagohara称，目前对肿瘤内部及周围的细胞之间的空间关系知之甚少。

研究人员开发出一种分析流程，将成像、空间转录组学和单细胞RNA测序相整合，用来表征肿瘤发生过程中的肿瘤细胞状态转变。他们利用空间转录组学对匹配的低级别和高级别PanIN病变进行研究，以追踪疾病进展情况，并绘制与单细胞PDAC数据集相关的细胞表型。

成像分析以及PDAC单细胞数据集整合所用的机器学习工具是由约翰霍普金斯团队在之前的研究中开发的，采用了创新的多组学整合方法CoGAPS和projectR。

这种三方面的整合分析显示，胰腺癌的一些关键特征也存在于PanIN附近。他们在PanIN的周围发现了癌症相关成纤维细胞（CAF），包括抗原呈递CAF。

“当我们观察从正常到高级别PanIN病变的发展过程时，我们发现细胞增殖逐渐增加，而炎症信号传导减少，这对于了解这些肿瘤内在的低免疫原性很重要，” Kagohara说。这表明，在侵袭性PDAC完全形成之前，PanIN内部及周围的细胞已经创造出一种免疫抑制性的环境。

研究结果还揭示了细胞的空间差异。“我们发现，在PDAC以及治疗应答中发挥重要作用的癌症相关成纤维细胞在癌变前阶段就已经存在，这与之前在胰腺癌动物模型中发现的结果一致，但没有在人类中观察到，” Kagohara谈道。

她补充说：“PanIN非常小，不到1毫米，因此我们非常惊讶，即使用很少的细胞，也能从这些病变中检测到很强的特征。”

“这对于癌症研究来说很重要，因为如果我们想了解免疫细胞对治疗的反应，我们就需要知道哪些免疫细胞离肿瘤更近。不过，我们还需要了解是否有其他类型的细胞通过形成物理屏障或与肿瘤细胞相互作用来阻断这些通讯。”

这项研究还凸显了计算工具在深入了解人类疾病方面的力量。Kagohara认为，空间转录组学是一种非常强大的技术，但需要适当的计算工具来分析这些数据。“有了正确的工具，才能增加从这些新技术中提取的结果。”

研究人员认为，这种空间多组学的半监督学习框架可广泛应用于各种癌症类型，以破译癌变的时空动态。为了鼓励更多的合作和分析，他们将这项研究的数据放在GEO数据库中（GSE254829），其代码可在GitHub上找到。