7+单细胞最新思路，请低调使用！

导语

结果：

描绘透明细胞肾细胞癌肿瘤微环境的异质性，揭示了多样化的细胞浸润模式

代谢重编程是恶性肿瘤谱系的一个显著特征[4]。值得注意的是，在十种常见的恶性肿瘤中，透明细胞肾细胞癌（ccRCC）和肝细胞癌在肿瘤和相应正常组织之间的代谢基因表达差异最为显著（附加文件1：图S1A，B）。作者整理了公开可用的透明细胞肾细胞癌（ccRCC）的单细胞RNA测序数据，并进行了质量控制和过滤。最终，作者保留了76名患者的195个样本，用于高分辨率地绘制肿瘤微环境，包括来自981,294个细胞的转录组数据，以供后续分析（图1A和附加文件8：表S1）。

解开糖酵解的复杂性及其对肿瘤发生的多样生物影响

使用InferCNVpy [37] 鉴定拷贝数变异（CNVs）以确定肿瘤细胞（附加文件2：图S2A），随后对肿瘤细胞和正常细胞之间的代谢途径活性进行差异分析（图2A）。研究结果显示，在肿瘤细胞中，许多代谢途径的功能普遍减弱，包括氨基酸代谢、碳水化合物代谢和部分脂肪酸代谢。相反，华尔堡效应的明显表现 [38] 是肿瘤细胞明显增强的糖酵解活性，同时伴随着氧化磷酸化和三羧酸循环参与的显著减少。这种代谢重编程突显了肿瘤细胞能量代谢中动态适应的发生，并进一步凸显了肿瘤生物能的多方面性质。肿瘤细胞的增强增殖倾向导致了核苷酸的增加需求，最终导致了嘧啶代谢的增加。在代谢重编程的关键途径中，糖酵解在其大部分成分中的基因表达上升，除了ALDOB。这种代谢转变同时表现为三羧酸循环中关键基因的下调。在糖酵解途径中，HK2、PFKP和PKM等基因的表达增加，因此成为有望探索用于抑制肿瘤细胞糖酵解活性的潜在靶点（图2B和附加文件2：图S2B-D）。

代谢动力学和糖酵解在CD8 T细胞免疫应答中相互作用

T细胞是ccRCC肿瘤微环境中高度富集的细胞群体，经历由肿瘤细胞代谢产物和多样的免疫信号驱动的转录、翻译和表观遗传修饰[46]。这些变化导致代谢重编程，使T细胞能够适应复杂而动态的肿瘤微环境。为了更深入地了解肿瘤浸润T细胞中的代谢偏离，作者分离了T细胞和NK细胞进行后续的UMAP聚类分析。利用已建立的谱系标记物，作者进一步将T细胞分类为不同的亚型：CD8 + T细胞（45.52%，CD8A/CD8B/GZMM）、CD4 + T细胞（18.50%，IL7R/CD4）、NKT细胞（8.70%，CD3E/GZMH）、CD4 + Tregs（5.41%，FOXP3/TIGIT/CTLA4）、循环T细胞（5.41%，MKI67/TOP2A），以及NK细胞（16.55%，NKG7/GNLY/KLRD1）（图3A，附加文件3：图S3A和附加文件9：表S2）。

代谢异质性塑造肿瘤微环境中的巨噬细胞功能

肝肿瘤微环境中的代谢异质性已有充分记录[49]，但其在ccRCC中的表现尚未阐明。为了进一步分析巨噬细胞的代谢差异，作者分离了巨噬细胞（C1QA/C1QB/C1QC），进行了UMAP聚类，并根据高表达基因对聚类进行命名。这些聚类被命名为IL1B + 巨噬细胞（26.20%，IL1B/EREG/AREG）、FOLR2 + 巨噬细胞（23.50%，FOLR2/EGR1/MAF）、GBP + 巨噬细胞（16.78%，GBP1/GBP4）、GPNMB + 巨噬细胞（15.27%，GPNMB/APOC1/CTSD）、S100A8 + 巨噬细胞（11.87%，S100A8/FTL）和循环巨噬细胞（6.40%，MKI67/TOP2A）（图4A，附加文件4：图S4A和附加文件9：表S2）。在每个巨噬细胞的不同亚聚类中，作者进行了GSVA，重点关注代谢途径的活性。这项研究揭示了巨噬细胞的各个亚聚类之间存在显著的代谢差异（附加文件4：图S4B）。

ENPP2作为潜在的预后标志物和肿瘤来源内皮细胞指标

先前的研究已经指出了在病理性血管生成过程中内皮细胞的代谢可塑性[53]。在这里，作者分离了内皮细胞并将其分类为不同的亚型，即静脉内皮细胞（23.05%，VWF/CLU/VCAM1），动脉内皮细胞（14.98%，SOX6/GLUL/PI16），IGFBP3 + 毛细血管内皮细胞（19.05%，IGFBP3/ENPP2/ANGPT2），THY1 + 毛细血管内皮细胞（28.42%，THY1/COL4A1/CA4），以及CHRBP3 + 毛细血管内皮细胞（14.47%，CHRBP3/SOST/IGFBP5）（图5A，附加文件5：图S5A、B和附加文件9：表S2）。

在ccRCC微环境中绘制空间代谢活动的映射

空间转录组学保留了转录组数据的空间上下文，有助于分析局部区域的代谢途径活性。在这项研究之前，尚未对ccRCC的空间维度内的代谢活性进行表征。为了建立代谢活性与空间信息之间的联系，作者利用了两个空间转录组学数据集，其中包含近似圆形的肿瘤病理区域（图6A和附加文件6：图S6A）。肿瘤的中心点被视为模拟的肿瘤核心。利用MCPcounter [34]，作者计算了各种细胞类型在组织切片中的估计分布（图6B和附加文件6：图S6B）。

scMet：一种基于深度学习的方法，用于加速单细胞RNA测序在癌症临床应用中的应用

scRNA-seq赋予了组织水平RNA表达的分析以前所未有的单细胞精度，使其成为患者分层和揭示肿瘤机制的关键工具[55]。然而，临床整合scRNA-seq存在着巨大的障碍，包括昂贵的费用和严格的样本要求[55]。为了应对这一问题，作者引入了scMet，这是一种基于深度学习平台（条件变分自编码器）的创新解决方案，其主要目标是将批量RNA测序数据转化为类似scRNA-seq的配置文件（图7A，方法）。这一努力有望通过减轻这些挑战来简化scRNA-seq的临床应用。

总结

明确细胞肾细胞癌的肿瘤微环境在不同细胞类型和空间维度上表现出显著的代谢异质性。scMet 具有将 RNA 测序数据转化为 scRNA 测序数据的显著能力，并具有高度相关性。