大家好,今天和大家分享的是2020年3月发表在Cancer Immunology, Immunotherapy(IF=5.442)上的一篇文章。作者通过对宫颈鳞状细胞癌患者的肿瘤相关白细胞进行研究,发现了其与免疫微环境,免疫治疗以及预后等方面的联系,并将研究拓展到泛癌层面,为癌症分型以及靶向治疗提供了新的思路。
目前scRNA-seq将每个转录物与单个细胞相关联,但关于这些转录物在组织中的位置信息丢失了;相反的,空间转录组学技术知道转录物的位置,却不知道是哪个细胞产生了转录物。因此,scRNA-seq与空间转录组学的整合可以产生组织中细胞亚群的高分辨率图谱。
造血干细胞(HSCs)的自我更新和分化受转录因子和表观遗传调节因子的精细调控。这里,作者探索了组蛋白H4赖氨酸16乙酰转移酶MOF调节红细胞生成的机制。单细胞RNA测序和染色质免疫沉淀测序发现MOF通过动态募集染色质来影响红系发育轨迹,其单倍剂量不足会导致短期的HSC细胞群积聚。由MOF,RUNX1和GFI1B组成的调控网络对于红系命运至关重要。GFI1B充当Mof激活剂,它的表达对于特异性细胞诱导Mof表达是必需和定量的。Mof耗尽HSCs的可塑性可以通过下游效应Gata1的表达或通过组蛋白去乙酰基酶抑制剂的重塑乙酰化平衡来挽救。Mof表达的准确时机和剂量可充当前馈转录因子网络的变阻剂,从而保证沿红系命运的发展。
今天给大家介绍纽约干细胞基金会研究所的研究人员Brodie Fischbacher等人发表于Nature machine intelligence的一项研究工作《Modular deep learning enables automated identification of monoclonal cell lines》。在本项研究中,研究人员首次提出了模块化的深度学习框架Monoqlo来自动识别细胞集落,并从细胞成像中识别克隆性。
目前对于很多高分文章其实好多都是组学+实验的方式来做的。只不过各自比重不一样。好一些的可能只是那组学数据当作一个引子,中等的可能就是大部分是数据分析后面的实验只是来简单的拔高一下文章的分数。比如,我们今天分享这篇文章,为什么选择这样一篇文献和大家分享呢
目前空间多组学技术已用于研究几种类型癌症中肿瘤免疫微环境的转录组、蛋白质组和代谢组,从这些方法获得的数据已与免疫组化和多参数分析相结合,以产生癌症进展的标记物。2022年《Journal of Biomedical Science 》发表了一篇综述文章,回顾了前沿空间组学技术、它们在肿瘤免疫微环境研究中的应用,以及存在的技术挑战。
由于技术上的限制,移植的造血干细胞(HSCs)在预处理的宿主体内后不久的表现还没有被研究过。在这里,利用单细胞RNA测序,我们首先获得了28种造血细胞类型的基于转录组的分类。然后,我们将它们与功能分析相结合,跟踪受者移植后第一周内免疫表型纯化的造血干细胞的动态变化。根据我们的转录分类,大多数骨髓和脾脏中的HSCs成为多能祖细胞,偶尔也有一些HSCs产生巨核红细胞或髓系前体细胞。平行的体外和体内功能实验支持了在第一周没有大量HSC扩增的情况下稳健分化的范式。因此,这项研究揭示了早期在清髓受者中移植 HSC 的动力学和命运选择,对造血干细胞和其他干细胞的临床应用具有一定的指导意义。
HPA是一个集 组织图谱、细胞图谱、病理图谱、大脑图谱、血液图谱、代谢图谱 为一体的数据资源,小编不允许你错过这个资源宝库!
NGS系列文章包括NGS基础、高颜值在线绘图和分析、转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析 (ChIP-seq基本分析流程)、单细胞测序分析 (重磅综述:三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-step))、批次效应处理等内容。
原因:随着技术平台的不断发展,许多已发布的实验数据集可以被不同统计方法整合,使得可以同时使用各种方法来解决同一研究问题。但是为了从所有这些选择中获得最大的收益,我们需要以公正的方式整合它们的结果,例如不同实验的差异分析结果。优先排序的基因列表是基因组数据分析应用程序中常见的结果表示方法。因此,秩聚合方法可以成为这一类问题的有用且通用的解决方案。
本文介绍由清华大学生命科学学院生物信息学教育部重点实验室、北京结构生物学高级创新中心和生物结构前沿研究中心、合成与系统生物学研究中心的Qiangfeng Cliff Zhang通讯发表在 Nature Communications 的研究成果:作者提出了SCALEX,一种深度学习方法,通过将细胞投射到一个批次不变的、共同的细胞嵌入空间,以真正的在线方式(即不需要重新训练模型)整合单细胞数据。SCALEX在不同模式的基准单细胞数据集(scRNA-seq,scATAC-seq)上的表现大大优于在线iNMF和其他最先进的非在线整合方法,特别是对于有部分重叠的数据集,在保留真正的生物差异的同时准确地对齐类似细胞群。作者通过构建人类、小鼠和COVID-19患者的可持续扩展的单细胞图谱来展示SCALEX的优势,每个图谱都由不同的数据源组装而成,并随着每个新数据的出现而不断增长。在线数据整合能力和卓越的性能使SCALEX特别适合于大规模的单细胞应用。
2020年7月,Nature子刊Cell research发表了一篇鼻咽癌单细胞测序研究的最新成果。该研究由中山大学肿瘤防治中心,深圳华大生命科学研究院,中山大学生命科学学院与中国科学院深圳先进技术研究院强强联手,首次在单细胞水平上构建了鼻咽癌肿瘤微环境图谱,从肿瘤细胞的异质性和免疫细胞的多样性着手,挖掘了鼻咽癌预后相关分析特征和治疗靶点,为鼻咽癌的精准治疗提供了新的思路!
空间转录组(ST)和单细胞转录组(scRNA-seq)的结合作为一个关键的组成部分,将人体组织的病理表征与分子改变联系起来,确定了原位细胞间的分子通讯和时空分子医学知识。2022年4月1日Nature子刊《Signal Transduction and Targeted Therapy》发表综述文章,概述了ST实验和生物信息学方法的发展,并评估了其临床和转化应用价值。
通讯作者是Iannis Aifantis 教授,其研究方主要为Cancer, immunology, stem cell biology, epigenetic regulation, leukemia, tumor microenvironment,实验室主页The Iannis Aifantis Lab[1] ;代表作:
近日,深圳华大生命科学研究院联合中国科学院昆明动物研究所、丹麦哥本哈根大学等单位首次使用单细胞测序技术,构建了蚂蚁四种不同品级的大脑细胞图谱,揭示了蚂蚁伴随着社会分工而出现的脑部特异化现象和不同社会品级行为模式差异的神经基础,展现了蚁后成熟过程中大脑的可塑性变化,并找到了调节其生殖力和寿命的关键细胞类群。相关研究成果于2022年6月16日在权威学术期刊《自然·生态与演化》上发表。
之前我们通过一篇综述(👉 空间转录组是一种怎样的转录组?),了解了空间转录组各种方法的技术原理/优缺点,空间转录组的应用等信息,其中空间转录组的应用范围覆盖构建空间转录组图谱和描绘胚胎发育/空间蓝图等。 空间转录组都绘制了哪些图谱? 01人类心脏发育全器官尺度单细胞基因表达时空图谱 研究人员采集妊娠早期三个阶段(4.5–5,6.5,9周)的心脏组织样本,依次采用空间转录组学(ST)、单细胞转录组测序(scRNA-seq)和原位靶向测序技术(ISS)进行分层研究。揭示了胚胎心脏在三个发育阶段的细胞类型的
深圳华大生命科学研究院联合多家机构的研究者们,利用华大堪称“超广角百亿像素生命照相机”的时空组学技术Stereo-seq,首次绘制了四种模式生物胚胎发育或器官的时空图谱,包括和人的基因相似度高达80%的实验室明星小鼠、参与高中课本里著名的摩尔根杂交实验的果蝇、胚胎发育研究的重要模式生物斑马鱼和植物研究的“网红”拟南芥。这是首次从时间和空间维度上对生命发育过程中的基因和细胞变化过程进行超高精度解析,为认知器官结构、生命发育、人类疾病和物种演化提供全新方向。
中性粒细胞是人外周血中数量最多的白细胞,它专门捕捉和杀死微生物,这一过程被称为吞噬作用。吞噬细胞不止一种,而中性粒细胞是最具杀伤力的吞噬细胞。它们能迅速移动进入受感染的组织,能够在受损组织中普遍存在的厌氧条件下发挥作用。
---- 新智元报道 编辑:拉燕 桃子 【新智元导读】若大脑100%被开发,「超体」或成为现实?近日,中国科学家创建了全球首个蝾螈脑再生时空图谱,研究成果登上Science封面。 人类大脑真的仅能开发10%吗? 电影「超体」中,女主Lucy误打误撞开发了100%的大脑潜能。 伴随着身体的飞快进化,她掌握了越来越多的超能力:瞬间掌握外语,利用脑电波隔空移物,任意改变物体形态... 若想让大脑神经元能够不断开发的一种可能便是我们的大脑细胞拥有再生能力。 目前,全球唯一能再生大脑的生物便是——又呆又
胃癌的异质性是治疗中的一大阻碍,作者拿到了31位包含各个临床分期和组织学分型的胃癌患者,并取得了48份标本,构建了一个全面的胃癌单细胞图谱(多达200,000个以上细胞)。鉴定了34个不同的细胞谱系状态,包括一种新的罕见细胞群。发现弥漫型胃癌中,浆细胞比例的增加与上皮细胞表达的KLF2相关,INHBA在癌症相关成纤维细胞 (CAF) 特定亚型中具有一定作用。另外还是要患者来源的类器官(PDOs)和原发性肿瘤的单细胞数据对比说明了谱系之间、谱系之内的相似性和差异性。
1、Sci Adv | 单碱基分辨率绘制氧化性DNA损伤图谱,揭示8-oxo-G与2种癌症突变特征的一致性
最近的研究主要集中在m6A修饰与特异性肿瘤浸润性免疫细胞之间的相关性上。然而,m6A修饰在肿瘤免疫图谱中的潜在作用仍难以捉摸。
高通量测序和成像方法的技术进步确立了空间转录组学在整个组织空间系统地检测所有或大多数基因表达水平的能力。近日,来自美国的科研团队在《Nature》发表综述文章,回顾了常见的空间转录组技术,讨论了这些方法产生的数据的探索原则,检查了空间转录组在不同的实验设计中的效用,并强调了该技术通过与其他模式的整合实现生物学洞察的前景。
2022年2月16日,美国北卡罗来纳大学Eshelman药学院的Alexander Tropshab等人在Drug Discov Today杂志发表文章,提出了临床结果路径 (COP) 的概念,将其定义为有关药物分子治疗效果的一系列关键的分子和细胞事件。COP可以通过挖掘生物医学知识图谱进行计算阐释,这为产生新的、有指导意义的药物发现和再利用的假设铺平道路。
今天为大家介绍的是来自Yang Zhao团队的一篇论文。snoRNAs是一种在细胞核中常见的小分子RNA,主要帮助修饰细胞内的rRNA。最近,科学家们发现,snoRNAs不仅参与rRNA的修饰,还参与其他RNA,如tRNA和mRNA的修饰。有些snoRNAs与肿瘤的形成和发展有关,它们在肿瘤中的表现也可能与患者的预后相关。这篇综述主要总结了snoRNAs的功能,它们如何影响肿瘤的形成,以及如何将这些知识应用于未来的肿瘤诊断和治疗。
影像组学描述了从影像图像中提取定量特征的一系列计算方法。其结果常常被用于评估影像诊断,预后以及肿瘤治疗。然而,在临床环境中,优化特征提取和快速获取信息的方法仍然面临重大挑战。同样重要的是,从临床应用角度,预测的影像组学特征必须明确地与有意义的生物学特征和影像科医生熟悉的定性成像特性相关联。在这里,我们使用跨学科的方法来强化影像组学的研究。我们通过提供基于新的临床见解的计算模型(例如,计算机视觉和机器学习)来探究脑肿瘤影像学研究(例如,潜在的图像意义)。我们概述了当前定量图像特征提取和预测方法,以及支持临床决策不同水平的可行的临床分类。我们还进一步讨论了机器学习未来可能面临的挑战和数据处理方法,以推进影像组学研究。本文发表在American Journal of Neuroradiology杂志。
这篇文章是2022年8月4日发表在Nature Plants上的一篇文章,讲的是选用单细胞组学的技术来解析韧皮部细胞的一个过程。
细胞结构是人类大脑在微结构上出现分离的基本生物原理,但就目前为止,还没有出现一个考虑到细胞层面及个体差异的人类脑图谱出现。本文介绍了Julich(德国于利希)实验室的最新研究成果——Julichu-Brain,这是一个包含皮层区域和皮层下核的细胞结构图的3D图谱。该图谱以概率的方式考虑了个体大脑之间的差异。除此以外,构建这样的一个脑图谱是需要大量的数据和工作量的,开发过程中需要开发嵌套的、相互依赖的工作流(working pipeline),使用该工具流可以检测大脑区域之间的边界、数据处理、追踪来源,以及灵活地执行不同工作流程,以处理不同空间尺度上的大量数据(这个工作流可能在日后起到更多的作用,开发更多的研究成果)。使用间隙映射的方法可以补充皮层映射,以实现完全的皮层覆盖。并且本图谱的开发考虑后续的动态进展,随着图谱绘制在不同方面的进展的调整,本图谱可以支持健康受试者和患者的神经影像学研究,以及建模和仿真,并可进行互操作,以连接其他脑图谱和资源。文章发表在Science杂志。
肿瘤细胞与组成肿瘤微环境tumor microenvironment (TME) 的基质细胞之间的相互作用,影响了恶性细胞的生长。人的肝脏是肿瘤和转移的主要部位。在这些病理情况中,不同细胞类型间分子类型和细胞间相互作用还不清楚。在这篇文章里,作者对5例胆管癌或肝转移患者的恶性和邻近非恶性肝组织进行单细胞RNA测序和空间转录组分析。发现基质细胞表现出重复的,与患者无关的表达程序,并重建了突出肿瘤-基质相互作用的配体-受体图。通过结合激光捕获显微切割区域的转录组学,作者在非恶性肿瘤部位重建了肝细胞分区图谱,并表征了整个细胞在肿瘤微环境中的空间分布。这一研究为了解人类肝脏恶性肿瘤提供了数据支撑,并且揭示了潜在的干预措施。
为了鉴定内层细胞成分和潜在的脊椎动物同源物,建立了单细胞分辨率的空间分辨图谱。scRNA-seq数据集由10017个有效细胞组成,使用Seurat工作流进行处理。初步定义了scRNA-seq数据集的细胞组成。多种细胞类型,包括免疫细胞、分泌性上皮细胞和血细胞,被发现具有细胞cluster特异性标记。对于Stereo-seq,通过空间条形码DNA纳米球(DNB)检测的表达谱与在文库构建中捕获的单链DNA染色光学图像对齐。根据不同的细胞分布特征,分别在组织密集区和稀疏区采用了方形划分和细胞分离两种细胞分离策略。使用这些方法,我们将DNB点分离成细胞unit,这代表了真实细胞形态的折衷反映。细胞分离后,在6个Stereo-seq切片中获得18371个细胞单位,并进行细胞类型注释。
干细胞 (Stem cell,SC) 是指在多细胞生物体发育的早期阶段产生的一类具有自我更新能力,并可分化为多种细胞谱系的细胞 (分化潜能)。干细胞在一定条件下可以分化成为各种不同的组织细胞,进一步可培养形成人体各种组织和器官 (图 1)。目前,干细胞在细胞治疗、器官移植、神经退行性疾病建模和药物筛选等领域得到广泛应用亡[1][2]。
随着计算机算法呈指数式增长,人工智能(AI)方法有望提高医学诊断和治疗方法的精确度。影像组学方法在神经肿瘤学领域中的应用一直并可能继续处于这场革命的前沿。应用于常规和高级神经肿瘤学MRI数据的各种AI方法已经能够识别弥漫性胶质瘤的浸润边缘,区分假性进展和真实进展,并且比日常临床实践中使用的方法更好地预测复发和生存率。影像基因组学还将促进我们对癌症生物学的理解,允许以高空间分辨率对分子环境进行无创采样,从而能够对潜在异质性细胞和分子过程的系统理解。通过提供空间和分子异质性的体内标记物,基于人工智能的影像组学和影像基因组学工具有可能将患者分为更精确的初始诊断和治疗途径,并在个性化医疗时代实现更好的动态治疗监测。尽管仍存在重大挑战,但随着人工智能技术的进一步发展和临床应用的验证,在影像学实践中将发生巨大变化。
这不是最好的时代,也不是最坏的时代,这里是单细胞时代。灵活的单细胞系统,高效的组织解离液,开源的数据分析工具,端到端的单细胞解决方案是未来发展的趋势。这里最主要的是开放灵活的单细胞系统,有了这个系统我们就可以自主地设计反应体系,来从不同纬度捕获单个细胞的信息。
背景:胃腺癌 (STAD) 表现出严重的肿瘤异质性,这带来了巨大的治疗挑战。单细胞测序技术是鉴定特征细胞类型的有力工具。
ST最适合回答三种生物问题:首先可以阐明组织的细胞类型组成;第二类问题与细胞相互作用有关;最后可以帮助阐明组织成分之间的分子相互作用。
通过单细胞测序可以最大程度的反映细胞的异质性,发现新的细胞群和细胞亚群,并为阐明细胞状态转换的调控机理提供了技术保障。但是,常规单细胞转录组测序技术丢失了细胞在原组织中至关重要的空间位置信息,而单细胞和空间转录组结合可以弥补这个遗憾,帮助研究人员探索肿瘤异质性和肿瘤微环境(TEM)的复杂相互作用。
三阴性乳腺癌 (TNBC) 对新辅助化疗 (NAC) 的耐药性是一项重大的临床挑战。因此,描绘TNBC异质性可以提供对耐药机制和潜在治疗靶点的新见解。
目前,纯生信分析发文依然是如火如荼,但随着审稿人的审美疲劳,其口味也越来越挑。纯生信文章不再那么容易满足审稿人的味蕾了,所以,“生信分析+实验验证”也是目前生信类高分文章的整体套路。到底怎样将生信分析与实验验证完美的整合呢?今天,一起学习一篇6.68分的文章,看看 “别人家的套路吧”!
这篇文章由Eickhoff、Thomas Yeo 和Sarah Genon 发表在《Nature reviews Neuroscience》杂志上,看到题目时你可能认为这会是一篇纯技术的文章,会不会让你看的头痛欲裂呢?答案是当然不会,这篇文章综合了近年来基于图像的人脑分割方法的研究,提出了一个二维的、从标记方法(Mark approach)和分割方法(partitioningapproach)这两个独立维度对已有的基于图像的人脑分割方法进行观察和分析的模型。
通过测量每个population的聚类系数,研究了髓系细胞在空间上与同类细胞的关联趋势。聚类系数是一种描述网络特性的统计数据,高值表明population形成了紧密相连的cluster,低值表明该群体的细胞在TME中连接弱,聚类更松散。在这一初步分析中,所有的髓系群体都表现出相似的聚类倾向,核心的TAM-Cd68和TAM-Int群体的聚类性明显更高。这些聚类值表明,大多数髓系population在TME中形成小的、弱连接的cluster。由于更丰富的population可能纯粹是偶然聚集在一起,随后修正了区域间population丰度差异的聚类系数。这表明,几乎所有的细胞群都表现出比偶然预期更多的聚集性。值得注意的是,TAM-Supp细胞在边缘显示出明显更密集的聚集。在边缘和核心区之间,聚类模式是保守的。测量分类性(网络中种群与不同种群的同类种群相连接的趋势的描述性统计数据)同样表明,细胞对与同类种群的细胞相连接表现出微弱但积极的偏好,这在边缘和核心区域之间是相似的。总的来说,这些数据表明,不同的髓系细胞群在TME中分离并形成松散的同型cluster,这种分离的生物学驱动因素大多独立于肿瘤边缘或核心的更广泛位置。
提到科研顶流,就不得不提单细胞转录组(scRNA-seq)和空间转录组(ST),两者组合能够获得组织中的细胞组成并还原其空间信息,从而更加精确的解析组织结构,在科研以及临床应用中具有重要的意义。
脑作为人类最复杂的器官,具有特殊的输入输出连接,发挥各种重要的功能【1】。在人脑发育过程中,通过内在基因程序产生了复杂的细胞类型。在这些细胞类型中,有些已经有了明确的特征,但还有许多尚待清晰描述。因此,在人类脑区逐渐特化的发育过程中,脑细胞类型的变化特征和空间分布特点需要进行全面、系统的研究。
近年来,单细胞和空间组学技术快速发展,多年被Nature Methods评为年度技术,且在生命科学领域得到广泛应用。为了帮助大家更高效、更快速地了解单细胞空间组技术研究和应用的科研前沿,华大时空联合国家基因库生命大数据平台(CNGBdb)联合推出《时空月速览》专栏,每月分享单细胞空间组学技术及其在生命科学领域的研究进展,遴选重要研究成果并解读分享。
由于对资源建设和工具开发的强大的财政和智力支持,神经科学研究已经进入了神经基因组学领域的关键发展阶段。以前的组织异质性的挑战已经遇到了技术的应用,可以让我们研究单个细胞尺度的功能轮廓。此外,以细胞类型特异性的方式干扰基因、基因调控元件和神经元活性的能力已经与基因表达研究相结合,以在系统水平上揭示基因组的功能基础。虽然这些见解必须基于模型系统,但由于人类遗传学、大脑成像和组织收集方面的进步,我们现在有机会将这些方法应用于人类和人体组织中。我们承认,在我们将模型系统中开发的基因组工具应用于人类神经科学的程度上,可能总是有限制的;然而,正如我们在这个角度所描述的,神经科学领域现在已经为解决这一雄心勃勃的挑战奠定了最佳基础。将系统级的网络分析应用于这些数据集,将有助于对人类神经基因组学的更深入的理解,否则,这是无法从直接可观察到的现象中实现的。
本文介绍由浙江大学基础医学院的郭国骥、韩晓平和良渚实验室的王晶晶共同通讯发表在 Nature Genetics 的研究成果:目前研究人员在生成和分析基因组方面做了大量努力,但大多数物种仍缺乏预测基因调控和细胞命运决定的遗传模型。在该研究中,作者利用自主构建的高通量单细胞测序平台Microwell-seq绘制了斑马鱼、果蝇和蚯蚓的全身单细胞转录组图谱,并探究了八种代表性的后生动物细胞类型的跨物种可比性,揭示了脊椎动物细胞类型保守的调控程序。作者开发了一种基于深度学习的模型Nvwa,用于在单细胞分辨率下预测基因表达和识别调控序列。作者还系统地比较了细胞类型特异性转录因子,以揭示脊椎动物和无脊椎动物细胞类型的保守遗传调控。该工作有助于为研究不同生物系统的调控语法提供宝贵的资源和新的策略。
GitHub 粉们可以通过 Watch 仓库的 Release(提前)关注发布内容。
领取专属 10元无门槛券
手把手带您无忧上云