作者，Evil Genius
事業(yè)編考試臨近了，希望大家都可以考出好成績，成功上岸。
宇宙的盡頭是編制，這句話在科研領域，是鐵律，沒有編制托底，認真搞科研無從談起。
今天我們繼續(xù)分享文獻
知識積累
癌癥由正常細胞和惡性細胞的異質(zhì)性群體構成，這些細胞對治療的反應不同，從而產(chǎn)生復雜且動態(tài)的療效與耐藥模式，而這是難以預測的。
癌癥對治療靶點的依賴性也各不相同。相同的突變在不同腫瘤中可能起到促進或抑制作用，并且表達相似水平藥物靶點的癌癥，對小分子抑制劑的反應也可能存在差異。
NLP最初是為了“閱讀”大量文本而開發(fā)的，通過嵌入向量生成強大的詞語表征，從而學習詞語通常出現(xiàn)的上下文。我們設想，這種詞嵌入技術可以被改造用于基因共表達數(shù)據(jù)，從而能夠描繪癌癥發(fā)展和治療耐藥過程中基因共表達關系的變化。
結果1、RECODR-原發(fā)腫瘤易感性預測
脈絡叢癌是一種罕見的兒童腦腫瘤，目前缺乏有效的分子靶向治療，尤其是TP53突變型CPC預后極差。研究團隊利用之前構建的基因工程小鼠CPC模型，結合單細胞RNA測序技術，探究正常脈絡叢向CPC轉化過程中的基因背景變化。
RECODR分析揭示腫瘤發(fā)生機制
通過對2982個CPC細胞與正常CP細胞的scRNA-seq圖譜進行RECODR分析，團隊構建了共表達圖網(wǎng)絡。結果顯示：
基因保留：約三分之一的基因在正常組織和腫瘤中保留了相同的共表達背景（"retained"基因），表明CPC保留了胚胎祖組織的特征。
基因切換：約三分之二的基因在腫瘤發(fā)生過程中改變了其所在的共表達群落（"switched"基因），表明其功能背景發(fā)生了變化。
基因新募：9%的基因被新招募到腫瘤網(wǎng)絡中（"new"基因）。
量化基因背景漂移
RECODR采用圖嵌入方法（Node2Vec + Word2Vec）為每個基因計算"背景漂移分數(shù)"，該分數(shù)綜合了四個指標：鄰居數(shù)量變化、圖覆蓋范圍、鄰居余弦相似度、索引基因余弦相似度。結果顯示，DNA修復調(diào)控因子（特別是ATM通路相關基因，如Kat5）在腫瘤發(fā)生過程中表現(xiàn)出最高的背景漂移，提示其在CPC發(fā)生中起關鍵作用。
實驗驗證：ATM是CPC的潛在治療靶點
功能篩選：通過shRNA沉默227個DNA修復基因，發(fā)現(xiàn)70個基因?qū)PC克隆形成至關重要，其中ATM通路（尤其是Kat5）需求最高。
藥物驗證：使用ATM抑制劑AZD1390治療荷瘤小鼠，兩種給藥方案顯著抑制腫瘤生長，并延長了小鼠生存期。這是首次報道ATM抑制劑單藥在癌癥中顯示出療效。
方法比較與優(yōu)勢
與現(xiàn)有方法（差異表達分析、WGCNA、diffcoexp、scDRUG）相比，這些方法均未將ATM識別為CPC的高優(yōu)先級靶點，突顯了RECODR在發(fā)現(xiàn)隱藏耐藥機制和治療靶點方面的獨特優(yōu)勢。
結論：RECODR通過捕捉基因在疾病發(fā)展過程中的"背景漂移"，成功識別出ATM作為CPC的治療脆弱點，為開發(fā)新的聯(lián)合治療方案提供了理論依據(jù)。
結果2、RECODR-預測單藥治療耐藥性
研究背景：單藥治療終將耐藥
盡管AZD1390或放療單藥治療初期有效，但所有小鼠的腫瘤最終都復發(fā)，模擬了臨床中單藥治療導致耐藥的現(xiàn)象。
RECODR分析揭示耐藥機制
通過對比未經(jīng)治療的CPC與AZD1390耐藥、放療耐藥腫瘤的單細胞轉錄組圖譜，RECODR發(fā)現(xiàn)：
相似的重編程：兩種不同作用機制的療法產(chǎn)生耐藥后，其基因共表達網(wǎng)絡高度相似，表明腫瘤通過共同的機制抵抗治療。
祖細胞群落擴張：耐藥腫瘤中，"祖細胞"相關基因群落擴大了2-3倍，且該群落中的基因表現(xiàn)出最高的背景漂移分數(shù)，提示其在耐藥中起核心作用。
胚胎基因的"召回"：約三分之一耐藥腫瘤祖細胞群落中的基因，在未經(jīng)治療的CPC中不存在，但存在于胚胎正常脈絡叢中。這表明腫瘤在耐藥過程中"召回"了胚胎發(fā)育時期的功能程序。
"召回"基因的功能：這些基因富集于細胞周期調(diào)控（如Cdk6、Ccna2）和DNA雙鏈斷裂修復（如Parp1、Rad51）通路，且表現(xiàn)出最高的背景漂移。
靶點篩選與聯(lián)合用藥策略
基于背景漂移分數(shù)，研究團隊篩選了13個潛在靶點，篩選標準包括：同時出現(xiàn)在兩種耐藥網(wǎng)絡的"召回"基因中、有臨床可用且能穿透血腦屏障的抑制劑、已在兒童中測試過。
關鍵靶點：PARP1：Parp1在未經(jīng)治療的CPC中幾乎不表達，但在耐藥腫瘤中被顯著"召回"并高表達。
實驗驗證：使用新型腦穿透性PARP抑制劑AZD9574單藥治療未經(jīng)治療的CPC無效（符合RECODR預測），但將AZD9574與AZD1390或放療聯(lián)用，顯著增強了抗腫瘤效果，延緩或克服了耐藥。
方法比較與優(yōu)勢
與差異表達分析、diffcoexp、scDRUG、WGCNA等方法相比，這些傳統(tǒng)方法均未將Parp1識別為關鍵耐藥靶點，或未能準確預測其對不同腫瘤狀態(tài)的選擇性療效，凸顯了RECODR在捕捉轉錄組動態(tài)變化和識別耐藥特異性靶點方面的獨特優(yōu)勢。
結論：RECODR通過捕捉耐藥過程中基因背景的漂移，成功識別出PARP1是CPC克服AZD1390/放療耐藥的關鍵靶點，并驗證了PARP抑制劑聯(lián)合療法的有效性。這為理解腫瘤耐藥的可塑性機制和開發(fā)合理的聯(lián)合治療方案提供了新范式。
結果3、RECODR方法如何進一步用于分析聯(lián)合治療（AZD1390+放療）后的耐藥機制
研究背景：聯(lián)合治療仍無法完全克服耐藥
盡管在AZD1390或放療基礎上加用PARP抑制劑AZD9574顯著提升了療效，但大多數(shù)小鼠仍然復發(fā)（僅AZD9574+放療組有20%實現(xiàn)長期生存）。研究團隊轉向臨床正在測試的AZD1390+放療聯(lián)合方案，試圖通過RECODR解析其耐藥機制。
聯(lián)合治療方案篩選
實驗設計：將65只荷瘤小鼠隨機分為7組（方案A-G），接受不同強度和時序的AZD1390+放療聯(lián)合治療。
療效結果：5個方案（B、C、E、F、G）的腫瘤抑制效果和生存期顯著優(yōu)于單藥治療，但所有方案最終均出現(xiàn)治療失?。[瘤復發(fā)）。
RECODR分析揭示聯(lián)合治療耐藥機制
樣本來源：對方案E（與臨床使用方案相似）復發(fā)后的腫瘤進行單細胞RNA測序，獲得8,032個細胞的轉錄組圖譜。
比較分析：將這些數(shù)據(jù)與正常CP、未經(jīng)治療CPC以及單藥耐藥腫瘤的基因網(wǎng)絡進行RECODR對比分析，旨在識別驅(qū)動聯(lián)合治療耐藥的基因背景變化。
聯(lián)合治療耐藥后的獨特基因網(wǎng)絡變化
免疫群落顯著擴張：與未經(jīng)治療的CPC或單藥耐藥腫瘤相比，聯(lián)合治療（方案E）耐藥后的基因網(wǎng)絡中，免疫相關基因群落顯著擴大。該群落中的基因獲得了最高的背景漂移分數(shù)。
基因來源：該免疫群落包含82%的"新"基因（在未經(jīng)治療和單藥耐藥網(wǎng)絡中均不存在）和53%的"召回"基因（來源于胚胎正常脈絡叢），富集于先天免疫、小膠質(zhì)細胞、巨噬細胞等功能。
祖細胞群落持續(xù)存在：與單藥耐藥類似，聯(lián)合耐藥腫瘤中也保留了擴張的祖細胞群落，富集細胞周期和DNA修復相關基因，且功能驗證顯示DHFR蛋白表達升高、γH2AX表達降低（分別提示增殖增強和DNA修復能力增強）。
免疫群落來源的探究：腫瘤細胞發(fā)生了"髓系擬態(tài)"
問題提出：由于所有測序細胞均為FACS分選的YFP+/RFP+腫瘤細胞，免疫群落的出現(xiàn)提示腫瘤細胞本身可能獲得了免疫樣特征（髓系擬態(tài)），而非單純由污染的非腫瘤免疫細胞引起。
多模態(tài)驗證：
流式細胞+FISH：在聯(lián)合耐藥腫瘤中鑒定出一群高表達TREM2、GFP陽性、且獲得15號染色體拷貝數(shù)擴增的惡性細胞。這些細胞在表面標志物上明顯區(qū)別于腫瘤相關巨噬細胞（TREM2+/CD45+/CD68+等）和小膠質(zhì)細胞。
空間轉錄組學（Visium HD）：在具有非整倍體（如15號染色體擴增）的腫瘤細胞中，免疫群落、祖細胞群落和間質(zhì)群落的共表達顯著富集，且聯(lián)合耐藥腫瘤中免疫群落的表達高于對照組。更重要的是，這些群落特征在同一空間bin內(nèi)共表達，提示同一個腫瘤細胞同時激活了多種程序。
主要結論
RECODR揭示了對聯(lián)合治療耐藥的復雜機制：
單藥驅(qū)動機制：保留了祖細胞群落的擴張（細胞周期、DNA修復激活）。
聯(lián)合特有機制：觸發(fā)了免疫群落的擴張，表現(xiàn)為腫瘤細胞獲得"髓系擬態(tài)"特征（如表達TREM2），這可能是聯(lián)合治療壓力下腫瘤細胞采取的全新適應策略。
這表明，聯(lián)合治療雖然初期效果更好，但最終誘導了更為復雜的耐藥表型，腫瘤細胞通過"召回"胚胎免疫相關程序來逃避治療壓力。
靶點篩選策略
為了找到能緩解AZD1390+放療聯(lián)合耐藥的靶點，研究團隊對聯(lián)合耐藥腫瘤基因網(wǎng)絡（GNReg-E）中的5,849個基因進行了篩選，標準包括：
位于免疫群落且為"召回"或"新"基因；
有臨床可用且能穿透血腦屏障的抑制劑；
抑制劑已在兒童中測試過；
優(yōu)先選擇能同時靶向多個免疫群落基因的藥物（因為可能更有效破壞耐藥網(wǎng)絡）。
達沙替尼脫穎而出
多靶點覆蓋：達沙替尼靶向的基因中，有9個（如Lyn, Syk, Btk, Hck等）位于聯(lián)合耐藥腫瘤的免疫群落中。
背景漂移分數(shù)高：這些靶基因的累積背景漂移分數(shù)最高。
對比鮮明：在未經(jīng)治療的CPC或單藥耐藥網(wǎng)絡中，幾乎找不到達沙替尼的靶點，或靶點背景漂移分數(shù)很低。
實驗驗證RECODR的預測
根據(jù)RECODR的預測，研究團隊設計了5個治療組（共36只小鼠）：
預測1：達沙替尼單藥或AZD1390序貫達沙替尼無效 → 實驗結果證實無效。
預測2：在聯(lián)合治療耐藥過程中適時加入達沙替尼（尤其是方案E-D2和E-D3）應有效 → 實驗結果：
E-D2和E-D3方案顯著抑制腫瘤生長，大幅延長小鼠生存期；
60%的小鼠實現(xiàn)長期無瘤生存（而聯(lián)合治療本身最終全部復發(fā)）。
方法比較
與RECODR相比，其他計算方法表現(xiàn)不佳：
差異表達分析：未檢測到達沙替尼任何靶點在耐藥后差異表達。
diffcoexp：僅檢測到一個靶點（Grb2）的低水平差異共表達。
WGCNA：K-score無法有效區(qū)分潛在靶點，未能優(yōu)先識別達沙替尼的價值。
核心結論
RECODR成功預測了：
達沙替尼的療效具有嚴格的背景依賴性（僅在聯(lián)合耐藥后的免疫群落激活時才有效）；
基于此預測，設計了高效的治療方案，使60%的小鼠實現(xiàn)長期生存。
這驗證了通過靶向耐藥后新出現(xiàn)的"免疫擬態(tài)"細胞程序來克服聯(lián)合治療耐藥的可行性。
結果4、將RECODR方法應用于臨床患者數(shù)據(jù)（髓母細胞瘤和三陰性乳腺癌）
髓母細胞瘤：識別耐藥亞型特異性背景漂移
數(shù)據(jù)來源：對7例髓母細胞瘤患者（SHH亞型2例、Group 3亞型2例、Group 4亞型3例，含1例轉移性）在診斷時和復發(fā)后的配對腫瘤scRNA-seq數(shù)據(jù)進行分析。
關鍵發(fā)現(xiàn)：在治療前后，Group 3亞型和轉移性Group 4腫瘤中，有4,500個基因表現(xiàn)出最高的背景漂移分數(shù)，而SHH亞型和非轉移性Group 4腫瘤中這些基因幾乎無變化。這提示RECODR捕捉到了與耐藥性相關的動態(tài)變化，而非靜態(tài)的亞型分類特征。
信息獨特性：這4,500個基因中，只有1%與基于表達水平區(qū)分亞型的差異表達基因重疊，說明背景漂移分數(shù)提供了與傳統(tǒng)表達分析不同的信息維度。
潛在新療法預測：基于這些高背景漂移基因，篩選出12種已用于兒童且能穿透血腦屏障的藥物。其中8種（如二甲雙胍、帕博西尼、替西羅莫司、瑞戈非尼、曲美替尼等）已在髓母細胞瘤的臨床或臨床前研究中，但RECODR的結果提示它們最有可能在Group 3亞型中克服耐藥，若在其他亞型中測試可能被誤判為無效。
三陰性乳腺癌：識別具有高轉錄組可塑性的新亞組
數(shù)據(jù)來源：分析PARTNER臨床試驗中47名TNBC患者在新輔助化療前后配對的snRNA-seq數(shù)據(jù)。
新亞組發(fā)現(xiàn)：利用背景漂移分數(shù)變化最大的4,500個基因進行無監(jiān)督聚類，將TNBC分為4個亞組（A-D）。其中B組（12例）顯示出特別高的基因背景漂移分數(shù)，提示這些腫瘤具有內(nèi)在的高轉錄組進化能力，可能代表了既往未知的TNBC亞型。
與表達譜聚類的區(qū)別：基于背景漂移分數(shù)的聚類結果不同于基于基因表達水平的聚類，進一步證明其信息的獨特性。
潛在新療法預測：針對B組的背景漂移基因，預測了9種可能添加到新輔助治療中的藥物。其中6種（如瑞博西尼、伊沙佐米、瑞戈非尼、米哚妥林、他澤美司他等）已在TNBC的臨床或臨床前研究中。
核心結論
RECODR能夠從臨床患者的縱向測序數(shù)據(jù)中，捕捉到傳統(tǒng)表達分析無法揭示的、與治療耐藥相關的動態(tài)基因背景變化。
在髓母細胞瘤中，成功識別出Group 3亞型特有的耐藥相關基因變化，并預測了亞型特異性的潛在治療藥物。
在TNBC中，基于背景漂移分數(shù)發(fā)現(xiàn)了一個具有高轉錄組可塑性的新亞組（B組），并為其預測了潛在的聯(lián)合治療策略。
這為將RECODR應用于臨床、指導個體化治療和克服耐藥提供了初步證據(jù)。
最后來看看方法
visium HD
visium HD分析CNV
