社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

Cancer Cell | 李博/张洪溢等开发机器学习算法: 首次在单细胞层面准确追踪癌细胞和T细胞间的线粒体传输

BioArt • 1 年前 • 411 次点击  

线粒体参与了真核细胞几乎所有的代谢活动 (例如能量生成,信号传导以及细胞程序性死亡等),是哺乳动物在亚细胞层面最重要的“发动机”。线粒体可以通过细微的纳米管道在不同谱系的细胞间流动从而达到组织修复的目的, 这一生物学现象最早在2006年被观测确认【1】。2022年,哈佛大学医学院Saha博士等首次发现了线粒体从T淋巴细胞到癌症细胞的单向转移【2】。这一新的生物学过程不仅从代谢上增强了癌细胞的生存能力同时削弱了免疫细胞的活性。健康的线粒体为T细胞提供了必需的能量以及代谢物,对T细胞在肿瘤微环境中的激活状态维持至关重要,因此该发现为肿瘤的免疫逃逸以及T细胞的功能失调研究提供了全新的见解, 有很大希望成为新的癌症免疫治疗方向。进一步的研究则需要在实验动物体内乃至真实癌症患者的肿瘤组织中进行,然而已有的生物学技术无法做到在体内追踪线粒体的运动轨迹。目前一个颉待解决的难点在于:没有现实可行的方法能在真实人类肿瘤中对癌细胞与T细胞间的线粒体传输进行研究并发现可药物靶向的关键基因和通路。


2023年10月9日,宾夕法尼亚大学医学院/费城儿童医院李博教授团队在Cancer Cell杂志上在线发表了题为“Systematic investigation of mitochondrial transfer between cancer cells and T cells at single-cell resolution” 的研究论文。该研究不仅坐实了T细胞与癌细胞间线粒体传输在不同癌症中的广泛存在, 更重要的是,提出了基于贝叶斯层次模型与统计反褶积的机器学习方法MERCI, 实现了在单细胞分辨率下追踪不同细胞间线粒体传输的重要功能。



研究团队首先通过荧光标记线粒体的KrasG12D/p53ko(KP)癌细胞与CD8+ T细胞共培养系统,在不同癌症中重现并证实了Saha等人的观测结果【2】,即随着共培养时间延长,T细胞中的线粒体逐渐流失并转移到癌症细胞中。之后研究团队在不同培养条件和不同癌症细胞系中反复确认了此生物学过程的可重复性,并着手产生了用于算法开发的金标准数据集(图一)。该数据集一共包括三套单细胞RNA-seq样本: 共培养的receiver癌症细胞 (case 组), 单独培养的non-receiver 癌症细胞以及donor T细胞 (control组)


图一:金标准数据产生流程


在产生的单细胞数据集中,研究团队发现癌症细胞在接收到外源性的T细胞线粒体后,其本身的mtDNA变异图谱以及线粒体基因转录模式会发生显著改变,主要变化为:1)T细胞特异或者富集的mtDNA突变会更多出现在receiver癌细胞中;2)receiver癌细胞的线粒体基因的转录表达模式与T细胞相似。这两点重要发现表明了在scRNA-seq数据中捕获细胞间的线粒体传输信号完全可行,为MERCI算法(图二)的开发提供了重要的事实基础和理论支持。MERCI利用秩转化的策略整合了单细胞水平的mtDNA突变谱以及线粒体基因的转录表达谱,从而准确预测劫持了T细胞线粒体的receiver 癌细胞并估计每个单细胞中外来线粒体的相对丰度。


图二:MERCI流程图解


为了无偏性的评测MERCI算法,研究团队额外产生了独立的scRNA-seq以及mtscATAC-seq数据集并证实了MERCI算法准确性,ROC曲线AUC值根据不同的条件和参数在 0.7~0.9之间浮动,远高于随机期望。研究团队将MERCI应用于真实人类癌症患者的单细胞数据中,在不同癌症类型的多个样本中确认了肿瘤细胞劫持T细胞线粒体的生物学现象,并揭示了TNFα通路与该过程中细胞间的纳米管行成高度相关。通过MERCI算法,研究团队首次实现了线粒体转移在真实肿瘤样本中的体内追踪研究。


值得指出的是,尽管在本研究中,研究团队只将MERCI用于线粒体转移在T细胞和癌细胞之间的追踪,原则上MERCI可应用于任意两种不同的细胞类型。当单细胞测序数据质量合格时(单细胞测序读长(read)的线粒体覆盖度 > 1000),MERCI的预测准确度具有较强的鲁棒性。因此MERCI有希望作为一个通用方法以解析复杂细胞网络中线粒体的流动问题并帮助推动癌症免疫治疗的发展。


这项研究的通讯作者是宾夕法尼亚大学的李博教授和德克萨斯大学西南医学中心的张安利博士。宾夕法尼亚大学的张洪溢博士、于雪新博士以及西南医学中心的叶建锋博士是本研究的共同第一作者。


李博教授实验室常年招收计算生物学方向的博士和博士后,有意向的同学可直接通过邮件联系 (lib3@chop.edu). 扫描以下二维码可更深入了解李博教授课题组。



原文链接:
https://www.cell.com/cancer-cell/fulltext/S1535-6108(23)00319-7


参考文献


1. Spees, J.L., Olson, S.D., Whitney, M.J., and Prockop, D.J. (2006). Mitochondrial transfer between cells can rescue aerobic respiration. Proc Natl Acad Sci U S A 103, 1283-1288. 10.1073/pnas.0510511103.

2. Saha, T., Dash, C., Jayabalan, R., Khiste, S., Kulkarni, A., Kurmi, K., Mondal, J., Majumder, P.K., Bardia, A., Jang, H.L., and Sengupta, S. (2022). Intercellular nanotubes mediate mitochondrial trafficking between cancer and immune cells. Nat Nanotechnol 17, 98-106. 10.1038/s41565-021-01000-4.

转载须知

【非原创文章】本文著作权归文章作者所有,欢迎个人转发分享,未经作者的允许禁止转载,作者拥有所有法定权利,违者必究。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/162971
 
411 次点击