全文概要
近期发表在《自然·癌症》(Nature Cancer)的一项研究中,慕尼黑大学等机构的研究团队构建了名为 LuCaS+ 的肺癌单细胞图谱,整合 454 名临床资料完整、长期随访的非小细胞肺癌(NSCLC)患者的逾 250 万个细胞核单细胞 RNA 测序数据,并借助机器学习将细胞图谱与临床结局挂钩,识别出"肿瘤尚处早期、却具有较高转移风险"的患者群体,为肺癌的精准预后与个体化辅助治疗决策提供了新工具。

【开头配图Opening】

1. 破解单细胞技术"难以落地临床"的瓶颈

非小细胞肺癌至今仍是癌症相关死亡的主要原因之一,其细胞与分子层面的异质性极为广泛,决定了肿瘤是否转移、治疗是否有效。单细胞技术本被视为解析这种异质性的利器,但长期以来难以真正走进临床,症结在于缺少"既有单细胞数据、又有完整临床随访信息"的大规模患者队列。LuCaS+ 图谱正是为破解这一瓶颈而生:其发现队列来自柏林与科隆(364 例),独立验证队列来自慕尼黑(90 例)。

2. 机器学习把细胞图谱与临床结局挂钩

研究团队对归档组织样本进行单细胞 RNA 测序,读取每个细胞核中 2000 多个基因的活性,同时调用患者长期随访的临床病史,用机器学习方法在数百万细胞中识别出众多与临床结局相关的肿瘤细胞群以及免疫、结缔组织、血管细胞群。研究者据此为每一组肿瘤细胞评估转移潜力,识别出那些"肿瘤尚处早期、按常规术后不进行辅助治疗、却仍有较高转移风险"的患者,并在独立队列中得到验证。团队指出,面对数百万细胞,经典评估方法会触及极限,而机器学习能识别细胞类型之间极其细微的差异。

3. 向临床预后模型迈出的一步

该研究进一步纳入肿瘤微环境分析,将单细胞图谱从"描述性细胞分类"推向"临床结局预测"。对肿瘤科医生而言,这类图谱有望在未来辅助判断哪些早期肺癌患者能从辅助治疗中获益、哪些可安全观察,从而推动肺癌诊疗的个体化。当然,从研究图谱到获批的临床决策工具之间,仍需前瞻性验证与标准化流程的落地。

来源:《自然·癌症》期刊论文及生物谷等科研媒体报道。


解螺旋科研助手企业微信二维码,扫码添加免费领取科研资料礼包,包含AI科研提效、SCI投稿技巧、国自然基金、医学科研绘图、科研软件工具等实用资料


声明:本文资讯来源于公开报道及学术期刊,仅作行业信息传播,不构成临床用药建议。转载需注明来源。