急性髓系白血病微环境中不同免疫细胞细分

文章概述

文章标题：《Single-cell map of diverse immune phenotypes in the acute myeloid leukemia microenvironment》

发表日期和杂志：2021年发表在Biomarker Research上

在线阅读链接：https://doi.org/10.1186/s40364-021-00265-0

急性髓系白血病（AML）简介

急性髓系白血病（AML）是一种血液和骨髓癌症，其特点是骨髓中髓系白血病细胞的过度增长。这些白血病细胞会干扰正常血细胞的生产。

AML微环境指的是白血病细胞生存和增殖的生物学环境，包括骨髓内的其他细胞类型（如内皮细胞、成纤维细胞、免疫细胞等）、细胞外基质、血管以及各种细胞因子和信号分子。这个微环境对AML的发生、发展和治疗反应有重要影响

对免疫系统的影响：AML不仅损害基质细胞和造血过程，还重塑了骨髓免疫微环境。恶性髓系细胞能够损害骨形成、造血干细胞向祖细胞的转变、红细胞生成、红细胞分化、巨噬细胞吞噬作用、树突细胞分化、T细胞的抗肿瘤功能以及自然杀伤（NK）细胞的免疫监视。

上述介绍使用chatGPT查询获得——好物安利 | 国内可稳定使用的GPT-4，还自带联网功能噢

单细胞实验设计

使用了单细胞RNA测序（scRNA-seq）数据集，分析了来自16位AML患者和4位健康供者的骨髓（BM）样本中的免疫细胞表型、功能和发育轨迹

单细胞转录组数据情况

数据链接是：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE116256

提供的是txt.gz格式的文件，所以使用fread函数读取即可。但是文章提供的样品数据量还是很多，大家可以根据自己的需求去选择相应的样品进行分析即可。

dir='GSE116256_RAW/' 
samples=list.files( dir )
samples
sceList = lapply(samples,function(pro){ 
  # pro=samples[1] 
  print(pro)  
  ct=fread(file.path( dir ,pro),data.table = F)
  ct[1:4,1:4]
  rownames(ct)=ct[,1]
  colnames(ct) = paste(gsub('_CountMatrix.txt.gz','',pro),
                       colnames(ct) ,sep = '_')
  ct=ct[,-1] 
  sce =CreateSeuratObject(counts =  ct ,
                          project =  pro  ,
                          min.cells = 5,
                          min.features = 300 )
  return(sce)
}) 


do.call(rbind,lapply(sceList, dim))

sce.all=merge(x=sceList[[1]],
              y=sceList[ -1 ],
              add.cell.ids = samples  ) 

names(sce.all@assays$RNA@layers)
sce.all[["RNA"]]$counts 
# Alternate accessor function with the same result
LayerData(sce.all, assay = "RNA", layer = "counts")
sce.all <- JoinLayers(sce.all)
dim(sce.all[["RNA"]]$counts )

文章中分析方法

单细胞分析

1. 数据集整合：使用Seurat R包将AML患者和健康供者的单细胞数据集进行了整合。
2. 数据过滤：过滤掉那些具有独特特征计数超过3000、少于200，以及线粒体计数占总RNA计数的10%及以上的细胞。
3. 数据标准化：使用“NormalizedData”函数，采用全局缩放规范化方法“LogNormalize”对合并后的数据集进行规范化，并默认乘以一个比例因子（10000）。
4. 数据缩放： 执行“ScaleData”函数，对“nCount_RNA”和“percent.mt”的变异进行回归，以缩放数据。
5. 降维分析：使用“JackStrawPlot”函数和“ElbowPlot”函数帮助选择合适的维度数，以确定在PCA（主成分分析）中使用的主成分数量。
6. 线性降维：通过“RunPCA”函数执行线性降维分析。
7. 非线性降维：通过“RunUMAP”函数执行非线性降维分析

细胞轨迹分析

使用了Monocle软件包（版本2.14.0）来探索从naïve CD4+ T细胞到TH17样细胞和/或调节性T细胞（Treg）的发育进程。

提取了naïve CD4+ T细胞群、TH17样细胞群和Treg细胞群的数据集，选择了用于轨迹重建的这些细胞群的特征基因。

生存分析

从UCSC Xena数据库下载了TCGA AML数据集，使用这些数据来评估单个功能基因、优先基因集和来自簇生物标记的基因集的预后效果。

通过执行Seurat的“FindAllMarkers”函数并仅报告阳性结果来获取簇生物标记，使用“survival”和“survminer”软件包来获取生存曲线。

文章主要分析结果简介

第一层次降维聚类分群

通过UMAP降维对来自16名AML患者和4名健康供体骨髓细胞的scRNA-seq数据进行分析，36477个细胞分离成22个群体

基于成熟终端谱系的典型标记基因的表达，将这些细胞划分为：T/NK细胞、B细胞系、成熟髓系、红细胞系、造血干/祖细胞（HSPCs）或白血病干/祖细胞（LSPC）（被称为“SP样细胞”）和非造血基质细胞

树突细胞细分

为了揭示AML患者中树突细胞（DC）的异质性和状态，使用UMAP技术重新聚类了1293个DC样细胞，得到了5个不同的DC亚群

来自AML患者和健康供者的DC样细胞高表达CD11c（ITGAX）、CD18（ITGB2）和MHC II分子（HLA-DRB5、HLA-DRB1和HLA-DRA），但低表达CD11b（ITGAM）

DC在T细胞应答中起关键作用，分析了T细胞功能相关的共刺激和共抑制分子的表达水平

CD1C+亚群表达许多功能分子,分析发现CLEC7A+ DC簇中除TNFSF9外这些分子水平较低，CX3CR1+ DC簇中共刺激和共抑制分子水平较高，其他簇中共刺激分子水平较高。

TCGA AML数据的生存分析发现，在大多数AML样本中，免疫抑制相关的DC细胞增加，尤其是treg相关的CD206+ DC和T细胞抑制相关的CX3CR1+ DC

巨噬细胞细分

为了了解急性髓系白血病患者和健康供者之间单核细胞和巨噬细胞的异质性，用UMAP提取并聚集了这个群体(4487个细胞)，得到了10个亚群

基于髓系相关基因(CD163、ITGAM、MMP9和CCL5)查看TCGA AML患者的Kaplan-Meier生存曲线

T/NK细胞系的分析

使用UMAP提取并对T/NK细胞进行细分，分为10个不同的聚类

预后相关性：TCGA AML数据分析显示，Treg和功能障碍/耗竭的T/NK亚群可能预示着不良预后。

急性髓系白血病患者中新的T细胞簇

使用UMAP对CD69highCD4+ T群和CD69lowCD4+ T群的表达数据

发现AML患者和健康供者中都存在独特的细胞毒性CD4+ T亚群，AML患者中存在CD69low LTBhighCD4+ T亚群，但在健康供者中很少存在

使用monocle2分析了naïve CD4+ T细胞、th17样细胞和Treg细胞的发育轨迹和功能

这3个群体具有不同的功能基因表达模式，如Naïve CD4+ T细胞中IGF1R高表达，TH17/Treg中间群体中RORC和KLRB1高表达，Treg群体中IL10RA高表达

文章小结

• 发现了正常和AML骨髓免疫细胞之间的显著差异，并定义了不同AML患者中树突细胞（DC）和巨噬细胞的多样性。
• 还识别了几种独特的免疫细胞类型，包括类似T辅助细胞17（TH17）的中间群体、细胞毒性CD4+ T细胞亚群、T细胞：红细胞复合体、激活的调节性T细胞（Treg）和CD8+记忆样亚群。
• 研究表明AML细胞强烈重塑骨髓免疫微环境，导致通过积累耗尽/功能障碍的免疫效应物、扩展免疫激活类型和促进抑制性亚群的形成来引发免疫抑制。