SCMG: A Multi-Omics and Stage-Resolved Single-Cell Framework for Cancer Driver Gene Prioritization
该论文介绍了 SCMG，这是一个将多组学数据与阶段解析的单细胞上皮细胞图谱相结合的图学习框架，旨在通过在优先排序癌症驱动基因以及将候选排名与患者预后联系起来方面超越现有方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
癌症并非单一事件，而是一个漫长且混乱的过程，在此过程中，细胞逐渐丧失了正常行为的能力。为了理解这一过程是如何发生的，科学家长期以来一直观察肿瘤的“整体”（bulk），将其视为由数百万个细胞组成的混合果昔，以寻找驱动疾病的基因突变。然而，这种方法往往会忽略从健康细胞转变为癌前细胞，并最终演变为全盛期肿瘤时所发生的细微、循序渐进的变化。正如城市平均交通流量的地图无法告诉你导致单次事故的具体路障一样，仅观察肿瘤的最终混合物会掩盖事物出错的关键时刻。研究人员现在意识到，要真正找到导致癌症发生和扩散的基因，他们需要利用现代单细胞技术提供的这种高分辨率视角，去观察整个故事是如何展开的。
一个研究小组开发了一种名为 SCMG 的新工具来解决这个问题。这个框架就像一台复杂的分类机，它结合了两种截然不同的信息，以识别出癌症中最可能的“元凶”。首先，它获取来自成千上万个肿瘤的标准、广泛的数据，其中包括关于基因突变、DNA 上的化学标签以及整体基因活动的细节。其次，这也是新颖之处，它输入了来自疾病生命周期中三个不同阶段的单个细胞详细快照：组织正常时、癌前阶段以及癌症发生阶段。通过将这两股数据流与基因正常相互作用的图谱编织在一起，该系统可以发现旧方法所忽略的模式。它不仅仅是在寻找损坏的基因，而是在寻找那些随着细胞从健康转向患病而表现出特定危险行为变化的基因。
研究人员在包括乳腺癌、肺癌和结肠癌在内的多种癌症类型中，将这一新系统与另外五种领先的方法进行了对比测试。他们使用了六种不同的基因相互作用图谱进行测试，以确保结果并非某个特定数据集的偶然现象。该新工具表现出了持续的优越性，在大多数情况下，它对已知癌症驱动基因的排名都高于竞争对手。在 15 种特定的癌症类型中，有 9 种类型的基因发现得分达到了最高；在其中 7 种类型中，它在避免误报方面的得分也是最高的。这表明，加入单细胞的阶段性视角，能让计算机在捕捉微弱或隐藏的遗传信号时，拥有更敏锐的眼光来识别真正的疾病驱动因素。
为了理清系统中标记为潜在嫌疑人的数千个基因，研究人员根据其活动随时间变化的方式，将它们分成了两个不同的组。一组基因显示出随着组织向癌症演变，其活性呈现稳步下降的趋势；而另一组基因则显示出在中间阶段出现下降，随后在最终癌症阶段有所恢复。这种分离并非随机的，每组基因都与不同的生物学过程（如细胞分裂或免疫反应）相关联。当研究人员检查这些基因组是否对真实患者具有意义时，他们发现这些基因组的活性水平与患者的生存时间密切相关。这意味着该工具发现的不仅是统计学上有趣的基因，而且是与患者预后真正相关的基因。
团队还观察了自身数据之外的情况，以验证他们的首选候选基因是否依然成立。他们使用了一组未用于训练系统的独立单细胞数据，对一种特定类型的皮肤癌进行了检查。该模型标记为高优先级候选者的几个基因，在肿瘤细胞中与健康细胞相比，确实表现出了明显的活跃迹象。这一外部检查证实，该系统发现的是真实的生物学信号，而非仅仅是记忆它所接收的数据。研究结论指出，通过将大体组织的宏观视角与单细胞的阶段性细节视角相结合，科学家可以构建出关于哪些基因在驱动癌症的更准确图像，从而为未来的研究和治疗提供更清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。