今天分享的文章是2020年7月发表在Briefings in Bioinformatics ( IF 8.990 ) 上的题为Single-cell transcriptome-based multilayer network biomarker for predicting prognosis and therapeutic response of gliomas.
基于单细胞转录组的多层网络生物标志物，用于预测神经胶质瘤的预后和治疗反应。
癌症的发生和发展受相互作用的细胞间和细胞内信号的复杂网络支配。单细胞RNA测序技术（scRNA-seq）为剖析癌细胞与相关微环境之间的相互作用提供了前所未有的机会。在这里，作者将scRNA-seq数据与bulk表达数据相结合，以鉴定连接癌细胞和微环境细胞的预后和预测特征。并结合转录因子调控和靶基因表达构建了一个多层网络多层网络生物标记物（MNB）以可预测神经胶质瘤的生存结果和治疗反应，并鉴定癌症患者的预后和预测特征。
文章思路：分析scRNA-seq数据，聚类并推断细胞类型→基于细胞类型特异性基因表达，构建了细胞间途径（配体-受体相互作用）和细胞内子网络（受体-TF途径，TF-靶基因相互作用，TF子网络和靶基因子-网络）→通过整合上述子网络，建立了多层细胞间/细胞内信号网络→和临床信息定义了MNB模型，以预测癌症患者的生存结果和治疗反应→建立了多尺度仿真模型，以机械地理解MNB中细胞间和细胞内信号之间的动态相互作用。
结论：
1.Cell type identification and gene expression specificity based on scRNA-seq
根据单细胞测序数据细胞类型鉴定和基因表达特异性
作者将单细胞测序的进行无监督聚类，将6341个细胞被分为3个簇，分别包含104个细胞，5168个细胞和1069个细胞。 并标记各簇细胞标记基因的表达，发现MBP，MOBP，PLLP和CLDN11在聚类1细胞中高度表达，表明聚类1细胞为少突胶质细胞；肿瘤相关的小胶质细胞/巨噬细胞（TAM）的已知标记基因CD14，CD163和CX3CR1在簇3细胞中高表达，表明簇3细胞为TAM。cluster 2则认为是肿瘤细胞（TC)。
2.Multilayer signaling network reveals a TAM-mediated EGFR signaling module
多层信号网络揭示了TAM介导的EGFR信号模块
接下来，作者构建了通过构建胶质瘤细胞和TAM之间的主要细胞间信号通路来研究它们之间的相互作用。
多层网络正确地预测了脑胶质瘤中一些已知的重要TAM介导的途径，这些途径已通过实验研究验证，例如EGF途径，TGF途径和IGF1途径。同时，作者还通过该网络发现了神经胶质瘤中一些新的配体-受体相互作用，例如THBS1-LRP5和APOE-LRP6。
3.构建MNB的预后模型并检验其效能
基于上述多层信号网络，作者提出了一种包含10个配体基因（CAMP，ZP3，AREG，ANXA1，HBEGF，SPINK1，ICAM1，FGL1，HLA-A和SEMA4D）以及2个受体基因（EGFR和ERBB2）和2个TF（ESR2和ELK1）的新型的MNB模型来预测癌症患者的预后并在TCGA、CGGA、GSE55918以及靶向治疗患者中验证了它的敏感性和准确性，观察了该模型对于胶质瘤患者长期生存时间的预测能力，并结合临床数据构建了多因素回归模型，关联分析其与临床表型的相关性，并且想比一般Lasso方法构建的预后模型，NMB模型在总体生存时间、3年、五年生存事件的预测上更占优势。
4.机械仿真阐明了MNB中多层信号之间的动态相互作用
Gillespie算法是一种利用蒙特卡洛抽样模拟化学体系随机动力学行为的方法，作者使用这样一种机械仿真的方法，尝试阐述了MNB中多层信号之间动态作用，揭示了MNB模型中多层信号之间的动态和非线性相互作用，突出了多层信号的生物整合在解码配体特异性，确定细胞命运和驱动异质反应动力学方面的重要性。
评论：
这篇文章发表在Briefings in Bioinformatics 生物信息学简报上，事实上也如杂志名称，更加接近一篇生物信息学方法的文章，作者事实上开发了两个模型，一个模型用于预测胶质瘤预后，一个模型用来阐述了MNB中多层信号之间动态作用。文章结合了单细胞测序和Bulk测序的预后数据，但事实上其本身的单细胞测序分析乏善可陈，但是其构建模型的思路却让人眼前一亮，我们知道，肿瘤内任意一个分子都不是孤立存在的，因此现在多个Biomarker构建模型分析的思路越来越多，但大都是多个mRNA分子，LncRNA等等，而作者分析了受-配体对→TFs→靶基因这样一个网络调控模式，并结合机械仿真的方法阐释了其多层信号之间动态作用，着实不落俗套。
