撰文| Qi

腫瘤并非由單一類型的細胞組成，而是包含多種細胞狀態的復雜生態系統。這種異質性（ heterogeneity ）是癌癥治療失敗和耐藥性的主要原因之一。傳統的單細胞 RNA 測序（ scRNA -seq ）技術雖然能解析細胞間的基因表達差異，但如何從海量數據中識別關鍵功能狀態仍是一個巨大的挑戰。目前，主流的分析方法包括聚類分析 和軌跡推斷，前者 將細胞分組為離散的 “ 類型 ” ，但無法捕捉連續過渡狀態 ， 后者可以 模擬細胞分化路徑，但假設數據具有明確的譜系結構，而腫瘤細胞可能動態切換狀態，缺乏固定軌跡。這兩種方法均無法全面描述腫瘤細胞的 “ 表型連續體 ” （ phenotypic continuum ） ， 即細胞在多種功能狀態間的動態過渡【1, 2】。

原型分析（ Archetypal Analysis ）是一種數學方法，旨在從數據中識別極端狀態，并將所有數據點表示為這些原型的混合。例如，在三陰性乳腺癌（ TNBC ）中，可能存在 “ 增殖型 ” 、 “ 缺氧型 ” 和 “ 免疫刺激型 ” 等原型狀態。然而，傳統原型分析假設數據呈線性分布，而真實的單細胞數據具有高度非線性結構，導致分析結果不準確。

近日，來自耶魯大學的Smita Krishnaswamy團隊等在Cancer Discovery雜志上合作發表了一篇題為AAnetresolves a continuum ofspatiallylocalizedcell states to unveilintratumoralheterogeneity的文章，他們開發了AAnet（ Archetypal Analysis network ） ，通過神經網絡學習單細胞數據中的原型狀態，成功解析了三陰性乳腺癌的五個關鍵細胞狀態：增殖型、氧化/脂肪生成型、缺氧型、細胞損傷/死亡型和免疫刺激型，這些原型在原發腫瘤和轉移灶中高度保守。此外，AAnet發現缺氧原型高表達葡萄糖轉運蛋白GLUT3，并通過實驗證明其是腫瘤生長和轉移的關鍵調控因子。這一工具為癌癥異質性研究提供了新范式，并可能推動精準治療策略的開發。

AAnet （ Archetypal Analysis network ） 是 一種基于神經網絡的非線性原型分析方法 ， 通過以下創新點突破技術瓶頸： 1 ） 自動編碼器框架 ， 將數據映射到低維 “ 單純形空間 ” （ simplex ），保留數據的幾何結構 ； 2 ） 擴散極值（ Diffusion Extrema ）：利用圖論識別數據中的極端點，避免將噪聲誤認為原型 ； 3 ） 跨模態整合 ， 結合單細胞轉錄組和空間轉錄組數據，揭示原型的空間分布規律。 該團隊 在 接受人乳腺癌細胞 MDA-MB-231 移植 小鼠模型中應用 AAnet ，從原發腫瘤和轉移灶（淋巴結、肝、肺）的單細胞數據中識別出五種原型 ： 1 ） 增殖型 ， 高表達細胞周期基因（ CDK1 、 CDC20 ） ， 與腫瘤快速生長相關 ； 2 ）氧化 / 脂肪生成型，與氧化代謝和應激的特征有關，氧化磷酸化（ OXPHOS ）是所有復制中富集程度最高的標志基因集，已被確定為與 TNBC 患者分離的腫瘤對新輔助化療耐藥和預后較差相關的最典型途徑【3】； 3 ） 缺氧型 ， 富集糖酵解酶（ GLUT3 、 HK2 ）和核糖體基因 ， 預示化療耐藥和不良預后【4】； 4 ）細胞損傷 / 死亡型，最顯著富集的是與細胞損傷或死亡相關的線粒體基因組編碼基因； 5 ） 免疫刺激型 ， 高表達 HLA 抗原和細胞因子（ CXCL1 、 ICAM1 ） ， 可能招募抗腫瘤免疫細胞 。

此外，該團隊還 通過空間轉錄組技術，發現原型在腫瘤中呈現明確的區域分布 ， 比如 增殖型遠離腫瘤中心，與血管化區域共定位 ， 缺氧型集中于壞死核心，周圍環繞免疫刺激型細胞 ， 而 免疫刺激型作為 “ 邊界哨兵 ” ，分隔缺氧區和增殖區 。 還揭示了 腫瘤 - 微環境對話 ， 缺氧原型與中性粒細胞密切互作，通過 CD44-MIF 信號軸促進炎癥 ， 免疫原型通過 MMP-ITGAM 等配體 - 受體對調控巨噬細胞浸潤。

需要注意的是， 缺氧原型高表達 GLUT3 （葡萄糖轉運蛋白 3 ），其親和力是 GLUT1 的 3 倍，可能幫助腫瘤細胞在低氧環境下存活。 該團隊 通過 體內外實驗驗證 敲除 GLUT3 顯著抑制腫瘤球的形成 并 使肺轉移灶減少 70% 。 在 34 例乳腺癌患者數據中， AAnet 也能 識別出與小鼠模型相似的原型，且跨越不同亞型（ ER+ 、 HER2+ 、 TNBC ），提示其普適性 。

綜上，這項工作利用 AAnet 揭示 TNBC 的代謝異質性 并 提出 GLUT3 作為潛在治療靶點 ， 通過原型分類患者， 有助于 指導個性化治療。未來， AAnet 可拓展至其他癌癥類型或免疫研究，成為單細胞時代的關鍵分析工具。

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

制版人：十一

參考文獻

1. L?hnemann D, K?ster 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, G?ttgens 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

學術合作組織

（*排名不分先后）

戰略合作伙伴

（*排名不分先后）

轉載須知

【原創文章】BioArtMED原創文章，歡迎個人轉發分享，未經允許禁止轉載，所刊登的所有作品的著作權均為BioArtMED所擁有。BioArtMED保留所有法定權利，違者必究。