文章标题:《Single-cell atlas of diverse immune populations in the advanced biliary tract cancer microenvironment》
发表日期和杂志:2022年发表在NPJ Precision Oncology 上
在线阅读链接:https://doi.org/10.1038%2Fs41698-022-00300-9
为了全面表征晚期胆道癌(BTC)中的免疫微环境,对从五个手术切除的BTC肿瘤及其匹配的外周血样本、淋巴结或肝转移(如果有)中分离的未选择的活细胞进行了基于液滴的10X基因组单细胞RNA测序(scRNA-seq)
胆道癌(BTC)
胆道癌(BTC)是一种罕见但具有高度侵袭性的癌症,起源于胆道系统,包括胆囊、胆管和肝内外胆管。BTC通常被分为胆囊癌和胆管癌两种类型。胆道癌的发病率在全球范围内有所增加,尤其在亚洲地区更为常见。BTC的早期症状不明显,因此往往在晚期才被发现,此时已经扩散到周围组织或其他器官,使治疗变得困难。
对5例BTC患者手术肿瘤标本、配对转移组织和外周血样本中未选择的活细胞进行了基于液滴的scRNA-seq (10X Genomics)检测。选择2例iCCA, 2例GBC和1例远端胆管癌(dCCA)患者在肿瘤切除术前进行naïve治疗。
数据链接是:https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE201425
提供了10X标准格式的三个文件,直接下载后按照数据集整理对应的文件,使用read10X()函数读取即可,但是需要对数据进行一些整理。
下载需要的数据,然后按照样品名进行对应的整理
fs=list.files('./','features.tsv.gz')
fs
samples1=gsub('.features.tsv.gz','',fs)
samples1
library(stringr)
samples2=str_split(samples1,'_',simplify = T)[,2]
samples2 =samples1
length(unique(samples2))
samples2
#samples2 = samples1
lapply(1:length(samples2), function(i){
x=samples2[i]
y=samples1[i]
dir.create(x,recursive = T)
file.copy(from=paste0(y,'_features.tsv.gz'),
to=file.path(x, 'features.tsv.gz' ))
file.copy(from=paste0(y,'_matrix.mtx.gz'),
to= file.path(x, 'matrix.mtx.gz' ) )
file.copy(from=paste0(y,'_barcodes.tsv.gz'),
to= file.path(x, 'barcodes.tsv.gz' ))
})
读取数据,再创建seurat结构进行后续的分析。
###### step1:导入数据 ######
samples=list.files("GSE201425_RAW/outputs")
samples
dir <- file.path('GSE201425_RAW/outputs',samples)
names(dir) <- samples
#创建Seurat对象
counts <- Read10X(data.dir = dir)
scRNA = CreateSeuratObject(counts,
min.cells = 5,
min.features = 300 )
dim(scRNA) #查看基因数和细胞总数
table(scRNA@meta.data$orig.ident) #查看每个样本的细胞数
head(scRNA@meta.data)
sce.all <- scRNA
as.data.frame(sce.all@assays$RNA$counts[1:10, 1:2])
head(sce.all@meta.data, 10)
table(sce.all$orig.ident)
# 分组信息,通常是隐含在文件名,样品名字里面
sce.all$group= gsub( '^[0-9]*_' ,'',sce.all$orig.ident)
table(sce.all@meta.data$group)
table(sce.all@meta.data$orig.ident)
seurat包已经更新到V5版本了,在数据读取方面需要稍微做一些调整,具体方法可见推文:
使用Seurat的v5来读取多个不是10x标准文件的单细胞项目
后面就是标准分析啦,对读取进来的数据进行质控、harmony整合以及单细胞细分亚群定义等。
在每个患者中验证了不同解剖部位的四种主要免疫细胞类型,并使用均匀流形近似和投影(UMAP)算法进行了可视化。
鉴定出的免疫细胞包括T细胞(CD2、CD3D);NK细胞(KLRD1、NKG7);B细胞(MS4A1, CD79A)和骨髓细胞(LYZ)
所有这些细胞群在患者之间以及具有不同比例和在细胞计数的不同组织之间共享,揭示了BTC之间免疫细胞组成的显著的患者间和患者内的异质性
通过观察同组织中B、T、NK和髓系细胞的百分比,发现T细胞系是所有组织中最普遍的免疫细胞类型,从淋巴结分离的B细胞比例远远高于从肿瘤和外周血中分离的B细胞比例。而淋巴结中的髓细胞显著减少,表明肿瘤引流淋巴结的免疫微环境不受髓系细胞的负调控,这可能代表了与原发灶或其他转移灶完全不同的肿瘤微环境
T、B、NK和髓系细胞的聚类和亚型分析
不同组织中 B、T、NK 和髓系细胞亚群的百分比
使用CellPhoneDB包文献支持的相互作用参考列表量化了所有免疫细胞类型的潜在细胞间通讯,所有免疫细胞类型之间显着配体-受体相互作用数量的热图,显示髓样细胞(FCGR3A + 单核细胞、DC、巨噬细胞)与耗竭的CD8 + T细胞之间存在大量相互作用
这些相互作用包括来自趋化因子的L-R对、肿瘤坏死因子超家族、共刺激/抑制、黏附、主要组织相容性复合体(MHC)、生长和其他,并发现髓系细胞(FCGR3A+单核细胞,巨噬细胞,DC)与耗尽的CD8+T细胞之间的相互作用更频繁
T细胞簇的拟时序分析
为了了解不同T细胞亚群之间的联系,使用Monocle来构建T细胞簇的潜在发展轨迹。推测的发育轨迹产生了一个分支结构,其中耗尽的T细胞位于幼稚簇的另一端,这些耗尽的T细胞在晚期高度浓缩
看完记得顺手点个“在看”哦!
生物 | 单细胞 | 转录组丨资料
每天都精彩
长按扫码可关注