作者，Evil Genius
放假了~~~
今日参考文献
知识积累
前列腺是一个具有显著空间异质性的器官。
一个全面而系统的前列腺时空图可以帮助确定与癌细胞非常相似的上皮细胞，有助于探索肿瘤的细胞起源。
scRNA-seq、单核多组学和空间转录组学技术。
结果1、成人前列腺的主要细胞类型
单细胞图谱
结果2、前列腺上皮细胞的多样性和区域选择性
上皮细胞的单细胞亚群分析。
duct luminal cells(dLum)细胞的亚群和空间定位
不同细胞亚群的异质空间组织揭示了前列腺导管周围的多层结构。
结果3、基底细胞的亚群和空间定位
结果4、区域特异性腺泡结构的鉴定
利用空间转录组学，我们在四种类型的腺泡中识别出独特的形态学特征。
空间转录组学鉴定腺泡发射混合的1型和2型信号，表明了这些细胞状态之间的潜在转换。
结果5、罕见上皮细胞亚群的鉴定
在scRNA-seq定义的十种罕见上皮细胞中，只有两种在单核RNA测序（snRNA-seq）数据中检测到。这些细胞类型中的7种表现出不同的样本特异性特征，并表达了前列腺中通常不存在的独特结构的标记基因。因此，集中于在多个样本中鉴定的其余3种罕见类型。
结果6、形态良性腺泡中的CNA
先前的研究报道了形态学上非恶性前列腺上皮中存在体细胞拷贝数改变。
因此，源自不同前列腺区的癌症可由不同的驱动事件驱动。
结果7、Type 2 and SFTPA2+ signatures in non-ETS prostate cancer
通过空间转录组学分析，证实了前列腺中含有CNA的存在，这些CNA保持着独特的管腔特征。为了研究这种转化过程与前列腺肿瘤发生之间的联系，分析了来自TCGA-PRAD的RNA-seq数据。发现，2型和SFTPA 2+特征是ETS−前列腺癌的共同特征，发现其他上皮特征的强度，例如来自基底细胞和1型腔细胞的那些，与肿瘤纯度负相关，与它们的非恶性身份一致。这一发现为ETS-肿瘤的可能细胞起源提供了见解，并部分解释了为什么ETS-肿瘤尽管受到不同突变的驱动，但仍表现出高度相似的表达模式。
先前工作中的前列腺癌scRNA-seq数据进一步验证了这些发现。在12例癌细胞通过质量控制的病例中，11例显示2型特征，包括4例显示2型和SFTPA 2+特征混合的肿瘤具有类似1型Lum细胞的特征的唯一情况由ETV4驱动，与bulk RNA-seq结果一致。
在空间转录组切片中，我们观察到2型癌前病变转变为癌症的直接证据。在该肿瘤中，观察到克隆1和克隆2之间的进化关系，两者都表达2型特征。克隆1形态正常，克隆2表现为肿瘤，克隆3与克隆1、2相比含有明显的CNA，提示其可能代表肿瘤演变的早枝分支或独立的原发灶，进一步支持了2型前列腺癌起源于2型腺泡的假说。
分析表明，CNA在老化前列腺中是频繁的，并且可能发展成多个独立的原发性肿瘤，支持前列腺癌的多灶性起源模型。
结果8、ERG+ 前列腺癌可能起源于管腔细胞
这表明ERG+前列腺癌中原始细胞特征的丢失可以部分由CNA解释。
HP156是一种多克隆肿瘤，表现出高CNA负荷
结果9、前列腺间质中罕见细胞类型的异质性
在前列腺中鉴定出少量骨骼肌细胞，在人类前列腺的前纤维肌基质区中表现为单条纹纤维。同时，在scRNA-seq和snRNA-seq中鉴定出少量卫星细胞，即骨骼肌细胞的干细胞。
结果10、人前列腺间充质细胞的亚型分析
前列腺中存在以下三种主要类型的间充质细胞：成纤维细胞、平滑肌细胞（SMC）和周细胞。成纤维细胞在外周区相对丰富。SMC和周细胞显示出高度异质性，并且通常均匀分布在前列腺中。成纤维细胞分为三个主要类别，可通过两种标记物区分，和12个亚类。
富集分析表明，1型成纤维细胞高表达MHC，表明更强的抗原提呈能力。在1型和2型成纤维细胞中选择性富集不同的WNT相关通路。
3型成纤维细胞虽然不太普遍，但表现出1型和2型成纤维细胞的特征，有趣的是，3型成纤维细胞显示出以下三种干细胞相关转录因子的高活性：SOX 8，SOX 9和MEOX 2，表明这些细胞可能作为成熟成纤维细胞的祖细胞起作用。
空间转录组学分析揭示了前列腺内成纤维细胞的独特分布模式，1型成纤维细胞聚集在前列腺近端的尿道周围，在尿道和腺管周围形成包膜，平滑肌和2型成纤维细胞的存在很少相反，2型成纤维细胞散布在平滑肌间隙内，几乎只存在于外周区的腺体结构周围。在中央区，1型成纤维细胞与TGM4+腺泡周围的平滑肌共存，表示与过渡区和外围区观察到的模式明显不同。
结果11、尿道附近一种特殊结构的鉴别
在前列腺中，不同区域的免疫细胞分布没有显著差异，髓样细胞亚群显示了两个独特的巨噬细胞亚群，其特征是低MHC-II表达。LYVE1+巨噬细胞也表达FOLR2，与间质性巨噬细胞（IM）表型的特征一致，另一方面，表现出PPARG高表达的SPP 1+巨噬细胞与其他巨噬细胞相比可能具有上级自我更新能力，因此符合组织驻留巨噬细胞（RTMs）的定义。
一种先前未报到的专门结构
最后看看方法
全python分析流程
空间CNV分析，inferCNVpy
单细胞空间联合
看看联合的代码
library(spacexr)
library(ggpubr)
library(CARD)
spatial_count <- Read10X(exp_mat[i])
ST <- CreateSeuratObject(spatial_count, assay = "Spatial")
image <- Read10X_Image(spatial[i],filter.matrix = F)
image <- image[Cells(x = ST)]
spatial_location <- image@coordinates
spatial_location <- spatial_location[,3:2]
colnames(spatial_location) <- c("x","y")
spatial_location$y <- -spatial_location$y
sc_count <- spatial_reference@assays$RNA@counts
sc_meta <- spatial_reference@meta.data[,c(1,26,4)]
colnames(sc_meta) <- c("cellID","cellType","sampleInfo")
sc_meta$cellID <- rownames(sc_meta)
CARD_obj = createCARDObject(
sc_count = sc_count,
sc_meta = sc_meta,
spatial_count = spatial_count,
spatial_location = spatial_location,
ct.varname = "cellType",
ct.select = unique(sc_meta$cellType),
sample.varname = "sampleInfo",
minCountGene = 100,
minCountSpot = 5)
CARD_obj = CARD_deconvolution(CARD_object = CARD_obj)
puck <- SpatialRNA(spatial_location, spatial_count)
reference = Reference(spatial_reference@assays$RNA@counts, as.factor(spatial_reference$celltype3))
myRCTD <- create.RCTD(puck, reference, max_cores = 20, test_mode = FALSE,CELL_MIN_INSTANCE = 20) # here puck is the SpatialRNA object, and reference is the Reference object.
myRCTD <- run.RCTD(myRCTD, doublet_mode = 'full')
metadata <- myRCTD@results$weights %>% normalize_weights() %>% data.frame()
norm_weights <- normalize_weights(weights)
metadata2 <- CARD_obj@Proportion_CARD %>% data.frame()
all(rownames(metadata)==rownames(metadata2))
all(colnames(metadata2)==colnames(metadata))
metadata <- (metadata[,colnames(metadata2)]+metadata2)/2
colnames(metadata) <- gsub(".","_",colnames(metadata),fixed = T)
ST <- AddMetaData(ST,metadata)
生活很好，有你更好
