相信大家都有过因为身体不适去医院进行血常规检查的经历，这有助于医生判断我们的病因并制定相应的治疗计划。当细菌感染上呼吸道时，我们会发现血液中的中性粒细胞比例上升，这是因为激活的中性粒细胞扮演着“免疫警察”的角色，帮助我们的身体清除入侵的细菌。

【资料图】

然而，目前医院的血常规检查只能告诉我们中性粒细胞的数量增加了，但不能详细地告诉我们这些中性粒细胞中有多少是处于活化状态。事实上，在我们体内有许多不同类型的细胞，它们的状态会在不同的生理或病理条件下出现动态变化。那么，当面对复杂的实体组织疾病，比如恶性肿瘤，有什么方法可以知道组织中哪些细胞发生了状态的改变？它们改变的比例又有多高呢？

近日，西湖大学杨剑团队（第一作者为博士研究生宋立阳）在Nature子刊Nature Computational Science上发表了题为：Mixed model-based deconvolution of cell-state abundances (MeDuSA) along a one-dimensional trajectory的研究论文。

该研究开发了一款名为MeDuSA的方法用以估计组织水平转录组数据中处于不同状态的细胞的丰度。研究团队将该方法应用于人类癌症和新冠肺炎等多种疾病，成功地鉴定出了与疾病发生、发展、预后和药物治疗反应相关的细胞状态，从而促进了我们对不同生物学过程中的细胞状态动力学的理解。

随着单细胞转录组测序技术（scRNA-seq）的快速发展，我们现在可以高通量地获取组织中处于不同状态的细胞的转录组。通过结合计算分析手段，我们可以利用单细胞转录组信息推断单个细胞的状态，从而探究疾病中细胞状态的变化。然而，由于单细胞技术的高成本和对生物样品的高要求，将scRNA-seq技术广泛应用于大规模生物数据库仍具有挑战性。与scRNA-seq相比，组织水平转录组测序（bulk RNA-seq）具有成本低、对组织质量要求较低的优点，更适合用于大规模生物数据库。

然而，因为bulk RNA-seq丧失了单细胞水平的信息，我们无法直接通过转录组观察细胞状态的变化。那么，我们是否能结合这两种测序技术的优点，利用小样本的scRNA-seq作为参考系，然后基于bulk RNA-seq去推断细胞状态的转移，从而在大规模生物数据库的尺度上研究细胞功能状态与疾病的关系呢？

该研究开发的MeDuSA方法正是基于这样的细胞去卷积（cellular deconvolution）策略。它可以利用来自小样本的scRNA-seq数据作为参考系，去推断bulk RNA-seq中处于不同状态的细胞的丰度。过去的细胞去卷积方法由于模型架构的限制，通常只能推断出细胞类型（如中性粒细胞）的丰度，而无法准确推断细胞状态（如活化的中性粒细胞）的丰度。MeDuSA方法利用混合线性模型拟合单个细胞的转录组，系统性地降低了模型残差，并优化了由于细胞状态之间强相关性造成的估值偏差，从而能够精准地估计细胞状态的丰度（图1）。

这种结合scRNA-seq和bulk RNA-seq的分析方法突破了在大规模生物数据库中难以研究细胞状态的瓶颈，为揭示疾病背后的细胞状态动力学及其相关的生物学机制迈出了重要一步。

图1. MeDuSA方法的概念示意图

研究团队利用MeDuSA对来自710位捐献者的食道组织的bulk RNA-seq数据进行了深入分析。他们发现，相较于正常的食道组织，食道肿瘤患者的组织中的上皮细胞明显富集于黏膜基层（生发层），这一发现与以往的组织学认知相吻合，即食道肿瘤主要起源于食管基层。该研究还分析了来自215位捐献者的外周血数据，结果揭示，与健康捐献者相比，新冠肺炎（COVID-19）患者血液中的CD8+ T细胞在激活状态的比例显著提高，并且这种激活状态的比例与新冠肺炎的感染程度呈正相关。

在对507位黑色素瘤患者的数据分析中，研究团队发现这些患者的肿瘤组织内的CD8+ T细胞大多处于耗竭状态，并且耗竭状态的比例与组织中的T细胞受体的扩增程度成正相关。值得注意的是，他们还发现，CD8+ T细胞的耗竭状态与黑色素瘤患者的生存时间及对免疫治疗的应答效果存在强烈的相关性，这提示了CD8+ T细胞的状态可能是一个重要的生物指标，对于临床决定是否使用免疫治疗具有重要意义。此外，通过结合全基因组测序数据，研究团队鉴定出162个基因具有上皮细胞分化依赖性的表达数量性状位点（eQTL），这表明细胞状态在遗传调控中扮演了重要角色。

这项研究还展望了未来的研究方向，提出随着空间转录组学（Spatial transcriptomics）的普及，如何利用空间转录组作为参照，从bulk RNA-seq数据中推断出空间细胞状态的分布将成为我们需要解决的问题。这一研究方向将进一步深化我们对疾病背后的细胞状态动力学的理解，为未来疾病的预防和治疗开启更多的可能性。