一、写在前面
本次分享的是《Science China Life Sciences》（IF=8.0）“Advances and applications in single-cell and spatial genomics”
DOI: 10.1007/s11427-024-2770-x
链接：https://link.springer.com/article/10.1007/s11427-024-2770-x
因内容较长，本期内容将分章节推送，带您逐步深入了解单细胞和空间基因组学的进展与应用(点击蓝字可跳转合集)。
人体是一个高度组织化的精妙系统，由约 37 万亿 (37 × 10¹²) 个细胞构成，包含数百种不同的细胞类型 (Han et al., 2020; Jovic et al., 2022; Wen and Tang, 2022)。尽管所有细胞都起源于同一个受精卵，但随着它们的不断分裂和生长，遗传和表观遗传突变会持续累积 (Takeshima and Ushijima, 2019; Zong et al., 2012)。事实上，即使在同一组织、器官或细胞类型中，细胞个体在生理或病理过程中也可能展现出独特的差异和功能。因此，在单细胞层面理解这种异质性，对于揭示发育生物学、疾病机制和治疗策略的深层洞见至关重要。从单个细胞层面分析人体，有助于整合不同组织间的数据并进行建模，从而推动我们对人类系统的理解。
更多单细胞/空转相关内容分享可见：
82h视频教程《Python版scRNA-seq分析全流程》
100个小时沉浸式学会scRNA-seq数据分析
69h空转视频！从 “零基础”到“复现《Nature Genetics》代码”
如果需要数据分析指导、生信热点全文复现、自测/数据库数据个性化分析辅导、常态化实验学习，欢迎联系客服微信[Biomamba_yunying]。
二、主要内容
第7章 单细胞见解在转化医学中的应用
单细胞基因组学已成为揭示人类疾病复杂性的强大工具，特别是在癌症领域。通过提供前所未有的分辨率和对细胞异质性的深入了解，单细胞基因组学彻底改变了我们目前对疾病机制、治疗反应、患者分层以及精准医疗背景下的药物发现和治疗选择的理解。在本节中，我们重点介绍了单细胞基因组学如何转化为临床应用，并讨论了其对疾病理解和治疗策略的变革性影响（图 9）。
单细胞基因组学的超精细分辨率：更好地靶向肿瘤进展中的癌细胞
作为全球主要的死亡原因，癌症构成了巨大的威胁，其机制的广泛蔓延仍有待阐明。剖析癌症机制对于理解其生物学复杂性至关重要，并对诊断、治疗策略和预后预测产生深远影响。得益于单细胞基因组学前所未有的帮助，对癌细胞更精细的分析为癌症治疗和机制提供了更深入的见解，其中包括癌症的发生和进展、癌症转移以及癌症异质性等几个关键方面。
癌症的发生和进展是一个复杂的过程，涉及正常细胞获得遗传和表观遗传改变，导致恶性特性的发展，最终将周围宿主细胞转化为支持肿瘤的肿瘤微环境（Tumor Microenvironment, TME）。癌症驱动基因（Cancer driver genes）（其突变比乘客基因更容易诱发癌症）（Greenman et al., 2007）和癌症干细胞（Cancer Stem Cells, CSCs）（由正常干细胞突变产生并保持自我更新能力）（Jordan et al., 2006）被认为是肿瘤发生的两个关键启动因素（Hanahan, 2022）。单细胞 DNA 测序（scDNA-seq）及其与 scRNA-seq 的映射可以识别单个肿瘤细胞中的体细胞突变、拷贝数变异和染色体异位，从而揭示突变事件的系统发育关系和时间顺序（Funnell et al., 2022）。单细胞组学技术还阐明了 CSC 的分离和识别，这有助于理解赋予选择性优势的特定突变和表观遗传变化，从而导致癌症的发生和增殖（Frank et al., 2021; Lawson et al., 2015; Yang et al., 2017）。
图 9. 单细胞基因组学在癌症治疗 (A)、非癌症疾病治疗 (B) 以及药物发现和精准医疗 (C) 中的临床应用。
单细胞组学技术有潜力揭示癌症转移中癌细胞复杂的细胞和分子动力学，癌症转移是指癌细胞从原发肿瘤部位扩散到远处器官或组织——这是一个涉及侵袭、血管内渗、播散、血管外渗和定植等多个生物学事件的复杂过程（de Visser and Joyce, 2023; Gerstberger et al., 2023）。通过利用单细胞空间、转录组和表观基因组分析，最近几项研究成功阐明了转移性肿瘤内的免疫景观和复杂的细胞相互作用网络（Karimi et al., 2023; Zhang et al., 2023b）。
此外，循环肿瘤细胞（circulating tumor cells, CTCs）和播散性肿瘤细胞（disseminated tumor cells, DTCs）分别指从原发肿瘤脱落进入血液或淋巴系统以及已从原发肿瘤脱落并迁移到其他组织或器官的肿瘤细胞（Lin et al., 2021a; Kang and Pantel, 2013）。理解 CTCs 和 DTCs 如何克服物理剪切应力、逃避失巢凋亡和免疫细胞清除的机制，对于转移研究至关重要（Gerstberger et al., 2023; Ring et al., 2023）。单细胞基因组学促进了在细胞水平上对 CTCs 的表征，揭示了它们的稀有性并揭示了它们的异质性、可塑性、生存策略和转移能力（Liu et al., 2023d; Reza et al., 2021; Suvilesh et al., 2022; Ye et al., 2023）。此外，单细胞测序技术在 CTCs 检测中的应用，对促进肿瘤学的早期诊断和预后监测产生了显著影响。
肿瘤异质性，即肿瘤内或不同肿瘤之间癌细胞的多样性，是肿瘤进化、治疗反应和耐药性的关键决定因素，可能源于遗传变异、表观遗传修饰或肿瘤微环境（TME）因素（Prasetyanti and Medema, 2017）。解密肿瘤异质性对于根据分子特征选择靶向治疗至关重要。在早期研究中，肿瘤异质性最初是根据不同肿瘤类型之间驱动基因突变的差异来定义的，反映了不一致的突变模式和频率（Wood et al., 2007）。这一概念逐渐演变为包含同一肿瘤内突变谱的异质性，这意味着肿瘤细胞的肿瘤内多样性（Gerlinger et al., 2012），例如某些肺癌细胞中 EGFR 突变的缺失，这限制了 EGFR 靶向治疗在根除大多数癌细胞群体方面的疗效。
随后，随着各种单细胞技术的进步，大量单细胞泛癌图谱的整合和时间分析对肿瘤异质性给出了更细致的定义，全面描绘了不同肿瘤类型、不同肿瘤区域和不同患者之间 TME 的差异组成和动态相互作用（Barkley et al., 2022; Cheng et al., 2021b; Tang et al., 2023a; Zheng et al., 2021）。此外，scATAC-seq、scTrio-seq 和 CITE-seq 等多组学技术为解开肿瘤异质性的复杂性提供了补充视角（Bian et al., 2018; Satpathy et al., 2019）。因此，除了简单地表征癌细胞的遗传特征外，通过单细胞基因组学揭示 TME 内的异质性和复杂相互作用，扮演着关键且不可或缺的角色。
通过单细胞基因组学解锁新领域：靶向肿瘤特异性 TME 细胞亚型的潜力 (Unlocking new frontiers through single-cell genomics: the potential of targeting tumor-specific TME cell subtypes)
我们对癌症的理解随着时间的推移而演变，从狭隘地关注癌细胞，转向更广泛地理解由非恶性细胞和细胞外基质组成的复杂周围生态系统，即肿瘤微环境（TME）。尽管传统的大样本技术对癌症驱动基因的发现产生了深远影响，但由于它们将肿瘤样本视为一个整体，主要捕获来自癌细胞的读段，因此未能描绘出整个肿瘤生态系统的详细组成和肿瘤相关信号。凭借其在超精细分辨率下解析癌症基因组的能力，新兴的单细胞技术已将癌症研究范式提升到揭示 TME 的细胞组成和多样性，其中一些细胞具有抗肿瘤特性，另一些则扮演促肿瘤角色。
在肿瘤微环境（TME）背景下，剖析各种 T 细胞类型的抗肿瘤反应是提高癌症治疗疗效的关键，这因此需要严谨而全面的多维度分析。当与 TCR 测序结合时，scRNA-seq 能够识别泛癌图谱中的各种 T 细胞亚型（Zheng et al., 2021）。例如，耗竭的 CD8+ T 细胞（exhausted CD8+ T cells）（Tregs，具有细胞毒性和效应功能降低的特点（Blank et al., 2019; Chen and Flies, 2013; Wherry, 2011））已被证实优先富集在各种肿瘤中（Oliveira et al., 2021; Zhang et al., 2018; Zheng et al., 2017a），其中LAIN作为标志基因发挥负向调控功能。同时，CXCL13+ 激活的前体耗竭 CD8+ T 细胞（CXCL13+ activated precursors of exhausted CD8+ T cells）与肿瘤反应性特征和更好的预后相关（Guo et al., 2018; Liu et al., 2022b），而CXCL13+CD4+ T 细胞（CXCL13+CD4+ T cells），也称为T 辅助 1 型（T helper 1, Th1）样 T 细胞，似乎具有抗肿瘤潜力（Zhang et al., 2021d; Zheng et al., 2022），它们共同在免疫检查点阻断（immune checkpoint blockade, ICB）反应中发挥预测作用（Liu et al., 2022b）。另一种 CD4+ T 细胞亚型，调节性 T 细胞（regulatory T cells, Tregs），在非小细胞肺癌（NCSLC）的单细胞分析中根据 TNFRSF9（4-1BB）的表达模式被分为两个簇，其中 TNFRSF9+ 簇高表达IL1R等基因，这与免疫抑制功能相关（Guo et al., 2018）。
髓系细胞（Myeloid cells），由几个不同的群体组成，占免疫细胞的很大比例和质量，并被认为是肿瘤进展和转移的同等贡献者（Sender et al., 2023），因此吸引了作为癌症治疗干预的潜在靶点的持续关注（Engblom et al., 2016）。然而，必须指出的是，并非所有肿瘤微环境（TME）内的髓系细胞亚型都表现出促肿瘤功能，因此迫切需要应用单细胞基因组学来剖析它们的异质性，并描绘免疫抑制簇，以实现更精确的治疗靶点（Cheng et al., 2021b）。
多项独立的单细胞研究已自主识别出几种关键的髓系细胞亚型，例如C1QC+ 和 SPP1+ 巨噬细胞（C1QC+ and SPP1+ macrophages），它们分别表现出炎症和血管生成特征（Zhang et al., 2020a）。值得注意的是，这些亚型均不符合传统的 M1 和 M2 二分表型，从而强调了采用单细胞技术进行精确巨噬细胞分类的不可或缺性。在肝细胞癌（Hepatocellular Carcinoma, HCC）中，单细胞分析有助于描绘肿瘤相关中性粒细胞（TANs）内的特定亚群，例如CCL4+、SPP1+ 和 PD-1+ TANs，这些亚群已表现出促肿瘤特性和作为治疗靶点的潜力（Xue et al., 2022）。同时，也被指定为 mregDC 的LAMP3+ DC已被证明具有迁移到淋巴结并通过串扰调节多种 T 细胞和 NK 细胞的潜力（Maier et al., 2020; Zhang et al., 2019c），例如通过 mregDC、CXCL13+ Th 和 PD-1hi 祖 CD8+ T 细胞形成的细胞三联体调节 ICB 反应（Magen et al., 2023），从而可能调节 NK 细胞的抗肿瘤功能（Tang et al., 2023a）。
除了 T 细胞和髓系细胞之外，免疫细胞和基质细胞在癌症进程中也具有至关重要的意义。一项最近的泛癌研究通过分析来自 24 种癌症类型的 716 名患者肿瘤中人类自然杀伤细胞的异质性和功能，呈现了其全景，揭示了一个被称为 TaNK 细胞的亚群，该亚群在肿瘤中富集，并表现出抗肿瘤功能和不利的预后（Tang et al., 2023a）。另一项研究表明，受 TGF-β 影响的LRRC15+ 癌症相关成纤维细胞（LRRC15+ cancer-associated fibroblasts, CAFs）促进肿瘤生长，并对 CD8+ T 细胞功能产生直接抑制作用，从而限制了对检查点阻断疗法的反应能力（Krishnamurty et al., 2022）。
通过单细胞基因组学揭示免疫治疗生物标志物并前瞻性地提高反应率 (Uncovering immunotherapy biomarkers and prospectively enhancing response rates with single-cell genomics)
ICB 疗法，例如抗 PD-1/L1 治疗，已在某些癌症患者中显示出显著的肿瘤进展控制疗效 (Sharma et al., 2023)。然而，不同肿瘤类型的反应率存在差异，并且相当一部分患者并未从这些治疗中获益 (Nishino et al., 2017)。此外，目前已识别出的一些生物标志物，如肿瘤突变负荷、错配修复（mismatch repair, MMR）缺陷和 PD-L1 表达，并不能始终如一地预测所有癌症类型的治疗结果。因此，迫切需要建立精确的生物标志物，能够准确预测 ICB 的治疗反应，从而实现最佳患者选择，并以最小的毒性最大化疗效。
通过对治疗前后 TME 动态变化的进行高分辨率分析，单细胞测序技术可以促进免疫治疗机制的探索，并有助于识别新型有效的生物标志物。值得注意的是，一项针对基底细胞癌 PD-1 抗体治疗的既往研究揭示了克隆替代的概念，其中治疗改善了具有新型克隆型的肿瘤特异性 CD8 T 细胞数量 (Yost et al., 2019)。另一项通过 scRNA-seq 和 scTCR-seq 分析在 NSCLC 中的研究识别出治疗响应者中前体耗竭 T 细胞的扩增，这些细胞源于局部扩增或外周血 T 细胞浸润和补充，这被称为克隆复苏，扩展了克隆替代理论 (Liu et al., 2022a)。随后，通过对接受 ICB 治疗的不同癌症患者单细胞数据进行荟萃分析，研究人员发现响应者中肿瘤特异性 CXCL13+CD8+ T 细胞的升高 (Liu et al., 2022b; Zhang et al., 2021d)。这项既往研究还暗示 CXCL13 可以作为肿瘤反应性 CD8+ T 细胞和 ICB 反应的潜在统一生物标志物。
肿瘤微环境（TME）包含基质细胞、免疫细胞和肿瘤细胞之间动态复杂的相互作用，在肿瘤进展以及对 ICB 治疗的反应或抵抗中发挥关键作用。通过利用单细胞分析的高分辨率能力，研究人员可以识别与免疫治疗抵抗相关的独特细胞亚群，从而为增强 ICB 反应率或促进新型免疫治疗干预措施的开发提供见解。例如，通过单细胞分析，已识别出两个细胞簇，即 ecm-myCAF 和 TGFβ-myCAF，它们与 Tregs 相互作用并在 ICB 抵抗中发挥影响作用 (Kieffer et al., 2020)；在另一项研究中，iCAFs 与 ICB 反应之间的关联得到了证实 (Ma et al., 2023a)。
值得注意的是，在胃癌中，scRNA-seq 分析揭示了与 ICB 抵抗相关的成纤维细胞和内皮细胞亚群的存在，从而为免疫治疗探索开辟了新途径 (Kang et al., 2022)。在 TME 内的免疫成分中，髓系细胞占据主导地位，其中特定亚群，包括肿瘤相关巨噬细胞（tumor-associated macrophages, TAMs），表现出抑制特性，导致 ICB 抵抗。在对 HCC 的深入研究中，单细胞数据揭示了 PD-L1+ TANs 作为潜在的免疫治疗靶点，考虑到它们抑制 T 细胞细胞毒性的能力 (Xue et al., 2022)。一项多维度单细胞分析揭示了 SPP1+ TAMs 通过 SPP1-CD44 轴的关键参与，以及在驱动 AFP 阳性 HCC（APHC）肿瘤免疫逃逸中提高免疫治疗疗效的靶向潜力 (He et al., 2023)。
优化化疗、放疗和联合疗法 (Optimizing therapeutic strategies for chemotherapy, radiotherapy, and combination therapies)
化疗和放疗在临床癌症治疗中的疗效机制已超越细胞毒性作用，现已扩展到包括抗肿瘤免疫微环境的调节 (Galluzzi et al., 2015)。利用单细胞基因组学方法促进了潜在机制的探索，从而推动了化疗、放疗和联合治疗的增强治疗策略的制定，从而可能优化抗肿瘤结果。例如，在鼻咽癌的吉西他滨加顺铂治疗中，单细胞分析表明化疗诱导 B 细胞通过 IL-1β 刺激 TFH 和 TH1 的扩增。值得注意的是，IL-1β 已被确定为探索治疗效果、有望改善患者管理和指导治疗方法选择的潜在生物标志物 (Lv et al., 2023)。
对乳腺癌化疗数据的探索证实了化疗后 ICOSL+ B 细胞的富集，这是一个通过引发抗肿瘤 T 细胞免疫反应来增强化疗效果的亚群，其功能受补体-CR2 信号的复杂调节 (Lu et al., 2020)。这项过去的研究还提出 CD55 作为增强化疗效果的潜在靶点。单细胞分析促进了在新辅助化疗前识别肿瘤内预先存在的化疗耐药基因型，从而为治疗前的预测疗效评估提供了潜在机会 (Kim et al., 2018)。在放化疗（radiochemotherapy, RCT）的背景下，单细胞测序描绘了特定 TME 亚群的细微反应，揭示了 RCT 后上皮细胞中 MHC-II 上调以及幼稚 CD4+ 细胞、CD16+ NK 细胞和 FCN1+ M-MDS-C 细胞增加的特征 (Liu et al., 2023a)。
近年来，免疫疗法与化疗、放疗及其他疗法结合的广泛应用，显著提高了总体缓解率和生存率，超越了单一疗法所取得的效果 (Meric-Bernstam et al., 2021)。单细胞技术推动了相关联合疗法的探索，揭示了针对各种癌症类型（如 NSCLC (Cascone et al., 2023) 和乳腺癌 (Bassez et al., 2021; Zhang et al., 2021d)）的多样化新型组合，并促进了对提高治疗恶性肿瘤疗效机制的研究。
非癌症疾病的治疗 (Treatment of non-cancerous diseases)
除了在癌症治疗中的应用，单细胞基因组学在广泛的非癌症疾病诊断和治疗中也展现出巨大潜力，包括病毒性炎症、免疫疾病和神经系统疾病。通过利用单细胞基因组学的强大功能，研究人员现在可以揭示这些疾病中复杂的细胞异质性和功能多样性，从而阐明潜在的分子机制并识别潜在的治疗靶点。这种方法不仅加深了我们对与各种非癌症疾病相关的复杂细胞景观的理解，而且为精准医疗策略的开发铺平了道路。
自身免疫性疾病（Autoimmune diseases）涵盖 80 多种不同疾病，如 1 型糖尿病、炎症性肠病、多发性硬化症、类风湿性关节炎和系统性红斑狼疮。这些疾病的特征是 B 细胞和 T 细胞对自身抗原的反应失调，从而引发自身抗体和自身反应性 T 细胞的产生 (Pisetsky, 2023)。自身免疫性疾病的复杂性带来了严峻挑战，表现出显著的患者间异质性以及对潜在致病机制的有限理解 (Harroud and Hafler, 2023)。单细胞基因组学技术通过识别单个淋巴细胞的 TCR 和 BCR 序列，提供了宝贵的见解，使研究人员能够解密免疫相关疾病的复杂性并探索新的治疗途径。
此外，利用大规模单细胞图谱对免疫疾病进行全面分析，并整合健康的参考图谱，对自身免疫性疾病患者分层和精准医疗的进展做出了重大贡献 (King et al., 2021; Rood et al., 2022)，例如在系统性红斑狼疮 (Arazi et al., 2019; Perez et al., 2022; Stewart et al., 2020)、多发性硬化症 (Deng et al., 2021; Falcao et al., 2018)、1 型糖尿病 (Chiou et al., 2021; Hrovatin et al., 2023)、克罗恩病 (Mukherjee et al., 2023) 和类风湿性关节炎 (Nathan et al., 2022; Yamada et al., 2023; Zhang et al., 2019b) 以及其他免疫疾病（如超敏反应综合征 (Kim et al., 2020)）中。
许多传染病，特别是病毒感染，会引起感染诱导的组织炎症，从而导致免疫失调和严重的临床表现 (Hill, 1998)。为了理解这些疾病背后复杂的免疫病理学，利用大规模单细胞图谱已成为一种宝贵的工具，它提供了组织炎症的全面描绘，并能够识别不同的免疫亚群 (Rood et al., 2022)。值得注意的是，我们对某些传染病免疫机制的理解仍然有限。然而，通过应用单细胞基因组学分析，我们可以揭示病原体和免疫细胞之间复杂的相互作用，从而阐明疾病机制并揭示新的治疗靶点。
例如，在COVID-19这场前所未有的全球危机中，整合涵盖各种疾病严重程度和阶段的广泛单细胞图谱，揭示了一系列与 COVID-19 感染相关的免疫特征 (Ren et al., 2021)。这些图谱还提供了关于病毒引起的细胞和分子反应的复杂细节，从而描绘了 COVID-19 在不同种族和不同细胞亚群中的免疫反应差异 (Aquino et al., 2023)。利用 scRNA-seq 分析的开创性研究揭示了 COVID-19 与髓系细胞之间通过 C 型凝集素受体和 Tweety 家族成员 2 的复杂相互作用，这些共同促进了免疫超激活 (Lu et al., 2021)。此外，scBCR-seq 和 scRNA-seq 技术的强大组合有助于有效识别有效的中和抗体（neutralizing antibodies），从而为对抗流行传染病提供有前景的治疗干预和预防策略 (Cao et al., 2020c)。
除了现有的常规疾病疗法外，单细胞技术在增强辅助生殖技术（ART）方面也展现出有前景的潜力，作为不孕症治疗的关键工具。单细胞多组学的快速发展促进了人类植入前胚胎高分辨率单细胞图谱的生成 (Li et al., 2018)，并为早期妊娠期间的母胎界面相互作用提供了深刻见解 (Vento-Tormo et al., 2018)。这些创新为 ART 的渐进发展提供了重要的理论和技术基础。例如，一项关于植入前胚胎 DNA 甲基化谱的临床研究表明，具有最佳甲基化状态的胚胎与 ART 中更好的临床结果相关 (Gao et al., 2023)。
对于其他常见的复杂疾病，针对不同疾病组织和器官收集的单细胞图谱的应用，为病理组织与健康组织之间的比较分析提供了更高的分辨率。这些细胞图谱在揭示表达疾病相关基因的新型细胞亚群、解密细胞组成的变化以及阐明器官间致病机制中复杂的细胞间串扰方面发挥了重要作用，例如在肝脏 (Aizarani et al., 2019)、肾脏 (Schreibing and Kramann, 2022)、肺部 (Sikkema et al., 2023)、大脑 (Garcia et al., 2022; Kanton et al., 2019; Winkler et al., 2022)、心脏 (Asp et al., 2019; Litvihukova et al., 2020) 和胃肠道 (Fawkner-Corbett et al., 2021)。此外，多器官单细胞图谱的整合有助于全面阐明疾病相关基因对不同组织影响的异质性，以及基因表达、细胞亚型和组成分布的组织特异性 (Elmentaite et al., 2022; Eraslan et al., 2022; Mulder et al., 2021; The Tabella Sapiens Consortium et al., 2022)。
单细胞技术在药物发现和精准医疗中的应用 (Drug discovery and precision medicine by single-cell technology)
靶点发现：将焦点从癌细胞扩展到整体 TME (Target discovery: broadening the focus from cancer cells to holistic TME)
在靶点发现中，一项关键策略是直接靶向肿瘤细胞中的驱动基因。通过传统基因组方法进行的初步分析和筛选通常缺乏所需的细致粒度，需要大量的实验工作和时间投入才能获得潜在靶点的广泛列表。单细胞技术为这一方向提供了有效的方法。例如，利用 scRNA-seq 和 scDNA-seq 进行肿瘤内异质性分析以及上皮-间充质转化（Epithelial-Mesencheral Transition, EMT）相关基因分析，是一种针对肿瘤细胞基因的战略性筛选方法，有助于发现新靶点和创新治疗策略 (Gavish et al., 2023; Pellegrino et al., 2018)。
在其他病理状况中，全基因组关联研究（Genome-Wide Association Studies, GWAS）与单细胞表达数量性状位点（sc-eQTL）(Yazar et al., 2022)、STING-seq (Morris et al., 2023)、sc-linker 框架 (Jagadeesh et al., 2022) 以及其他单细胞测序模态的融合，促进了 RNA 序列和人类遗传学的全面整合。通过深入研究 GWAS 突变的分子复杂性，这种方法探究了细胞类型、风险基因座和相关疾病之间的因果关系，从而阐明了潜在的治疗靶基因或细胞。
专门针对癌细胞的治疗方法可能会在靶向某些靶点时遇到挑战，例如 CAR-T 在实体瘤中的疗效有限。单细胞基因组学领域与整合分析的进步相结合，为靶点发现提供了一种新范式，其核心在于通过单细胞组学识别 TME 细胞的治疗相关亚型，从而揭示相关基因并调节其细胞相互作用，最终将平衡倾向于肿瘤杀伤性 TME。这种方法包括增强或招募抗肿瘤细胞亚型功能，如耗竭 CD8+ T 细胞的 CXCL13+ 前体 (Liu et al., 2022b)、CXCL13+CD4+ T 细胞 (Zhang et al., 2021d)，并减少促肿瘤细胞亚型，如活化的 Treg (Guo et al., 2018)、SPP1+ 巨噬细胞 (Zhang et al., 2020a)、TaNK (Tang et al., 2023a)、LRRC15+ CAFs (Krishnamurty et al., 2022)，或阻断它们的相互作用通路，这可能为肿瘤治疗提供一种更全面、更细致的方法。
此外，各种细胞疗法可用于治疗一系列疾病，包括癌症 (Weber et al., 2020)，而通过单细胞基因组学构建肿瘤抗原图谱则为癌症中的多种细胞疗法提供了潜在靶点 (Lareau et al., 2021b)。因此，与单细胞基因组学相关的技术可以促进多种细胞或免疫疗法的发展，包括通过 scRNA-seq、scTCR-seq、scATAC-seq、CyTOF 和 CITE-seq 等单细胞技术和方法，阐明 CAR-T 的生物学特性和不良反应机制，并揭示潜在的新策略 (Huang et al., 2023b)。
单细胞高通量靶点和药物筛选 (Single-cell high-throughput target and drug screening)
通过初步分析确定的潜在靶点需要进一步筛选，以通过基因编码扰动或临床前模型确定其与特定疾病生物学的实际功能相关性。特定候选基因诱导的扰动通常会在异质细胞亚群或组织器官中引发独特的转录变化。传统方法，例如将汇集 CRISPR 筛选方法与批量 RNA-seq 结合使用，可能无法完全揭示这些基因在少数细胞群中的细微功能 (Bock et al., 2022)。为了克服这一限制，新兴的 scCRISPR-seq（如与 scRNA-seq 整合的 perturb-seq (Dixit et al., 2016)）以及已将 CRISPR 扩展到多模态单细胞筛选的 ECCITE-seq (Papalexi et al., 2021) 应运而生。这些高通量方法能够检测多个靶基因在细胞亚型中的功能影响，从而实现候选靶点的简化和准确筛选。
为了进一步减轻实验负担，已经开发了几种利用单细胞扰动数据的深度学习框架。例如，GEARS 模型，其整合了图神经网络，可以预测多个基因扰动的下游效应，甚至包括那些未经过实验扰动的基因，从而指导实验设计并降低成本 (Roohani et al., 2024)。另一种方法，CINEMA-OT，采用基于因果推断的因果独立效应模块归因，以进行单细胞扰动分析并预测治疗效果 (Dong et al., 2023)。
在识别潜在药物候选物之后，后续步骤涉及药物试剂的高通量筛选（High-Throughput Screening, HTS）。传统的 HTS 方法虽然有效，但通常与高成本和大量时间投入相关，因为每个筛选步骤只能在单一剂量和某些特定生物学条件下进行 (Macarron et al., 2011)。单细胞技术的出现，与 HTS 结合时，允许在多剂量和不同条件下同时进行测试 (Van de Sande et al., 2023)。此外，一系列新的单细胞方法也已出现，旨在通过降低成本或提高通量，增强 HTS 与 scRNA-seq 结合的成本效益和效率。例如，Sci-Plex 方法，它采用核哈希和单细胞组合索引测序（sci-RNA-seq），可以在一次实验中，以单细胞分辨率捕获癌细胞对数千种独立扰动的全局转录反应 (Srivatsan et al., 2026)。
患者分层和个性化精准治疗 (Patient stratification and personalized precision therapy)
不同肿瘤之间存在的复杂异质性，要求在治疗选择过程中对不同癌症患者进行精确分层，这是提高癌症治疗疗效和安全性的关键步骤。目前，依赖传统基因组学方法的肿瘤分层研究，主要基于遗传或表观遗传谱以及致癌通路中的改变 (Guinney et al., 2015; Hoadley et al., 2018)。在单细胞研究中，特别是大规模数据分析中，增强分辨率的应用使得癌症患者的分子分层更加精细，这不仅包括癌细胞，还包括肿瘤微环境（TME）中的免疫细胞，从而为准确、精准和个性化的免疫治疗提供了更好的靶向策略。
例如，基于来自大规模泛癌 T 细胞图谱的肿瘤浸润 T 细胞组成对泛癌样本进行分类，可以具有不同的临床意义和对某些癌症类型的偏好。这些发现表明，具有高比例耗竭 T 细胞和低驻留记忆 T 细胞的癌症类型患者群体的总生存期更差，而富集于高数量耗竭 T 细胞和低 Treg 组（如黑色素瘤）的癌症类型预示着对 ICB 治疗有更好的反应 (Zheng et al., 2021)。
基于 T 细胞的患者分层与 T 细胞靶向治疗的疗效相关；因此，考虑整合其他 TME 细胞的分层可能会为解析免疫疗法中靶向更广泛细胞的复杂性提供更广阔的视角 (Joanito et al., 2022; Leader et al., 2021)。此外，肿瘤微环境（TME）内动态细胞相互作用的复杂性，要求超越单细胞类型或单个癌症类型分类的限制，从而推动基于大规模单细胞整合所有 TME 组分在多种癌症类型中实现更精确的患者分层，最终指导个性化免疫治疗方案的选择。
泛癌必需靶点带来的挑战可能会在患者体内引起意外毒性 (Chang et al., 2021)。通过单细胞基因组学进行的患者分层，根据患者体内不同细胞亚型的独特富集模式，可以实施患者特异性的靶向药物疗法或治疗模式，其差异可以通过利用已识别的生物标志物进行比较评估。患者分层范式现已超越癌症领域，并在多种疾病中得到应用。例如，在克罗恩病中，scRNA-seq 揭示了 GIMATS 细胞模块，该模块与抗 TNF 治疗耐药性密切相关 (Martin et al., 2019)。类似地，在人类慢性炎症性皮肤病中，一种利用单细胞特征的复杂工具已被设计用于有效分类皮疹样本 (Liu et al., 2022d)。
解读免疫治疗的不良反应 (Deciphering adverse effects of immunotherapy)
近年来，随着免疫治疗策略的出现，特别是免疫检查点阻断（ICB）的兴起，癌症治疗格局发生了显著改变。然而，这些方法的临床疗效与免疫相关不良事件（immune-related adverse events, irAEs）的发生密切相关，这些不良事件影响多种器官，包括胃肠道、皮肤、肝脏、肾脏和肺部，从而给患者护理和管理带来了巨大挑战 (Martins et al., 2019)。尽管 irAEs 的发生率通常低于传统治疗，但其细致而多方面的特征给临床管理带来了实质性障碍，这在一定程度上限制了免疫疗法的进一步发展 (Gangadhar and Vonderheide, 2014)。
单细胞测序和分析的应用已成为确定 irAEs 复杂机制并推动减轻不良副作用的关键方法。单细胞基因组学研究阐明了α-肌球蛋白（α-myosin）作为免疫检查点抑制剂相关心肌炎（ICI-MC）的重要自身抗原的关键作用，它作为 T 细胞克隆扩增的强效刺激物，并引发自身免疫性炎症反应 (Axelrod et al., 2022)。值得注意的是，外周 α-肌球蛋白特异性 T 细胞已被确定为预测心肌炎风险的有前景的生物标志物。另一项研究强调了 ICI-MC 患者中 Temra CD8+ 细胞的富集以及趋化因子 CCL5/CCL4/CCL4L2 的上调 (Zhu et al., 2022)。在检查点抑制剂诱导的结肠炎（+CPI colitis）中，对结肠炎数据的全面单细胞分析阐明了细胞毒性效应 CD8+ T 细胞的显著增殖和积累，表明它们在 +CPI 结肠炎发病机制中的潜在牵连，同时还识别出几种细胞因子、趋化因子和表面受体作为任何相关副作用的潜在治疗靶点 (Luoma et al., 2020)。
因此，单细胞基因组学已成为一种变革性方法，对癌症治疗以及其他复杂疾病的治疗具有广泛影响。通过拓宽研究视角，例如剖析肿瘤微环境（TME）和患者分层，单细胞基因组学可以促进药物靶点发现和筛选，从而推动精准医疗的疗效。目前对单细胞基因组学在医疗领域巨大潜力的持续探索，有望预示临床实践的即将发生的变革性变化。
