课前准备—为什么CNV在单细胞空间数据上可以检测肿瘤细胞？

作者，Evil Genius

相信大家学习的深入，慢慢开始接触一些深层次的问题， 那么对于肿瘤细胞检测，就会有一个这样的问题，那就是明明肿瘤细胞主要是由突变造成的，为什么单细胞空间数据可以通过CNV来检测肿瘤细胞呢？

从基因组的角度讲，CNV是大片段的重复，突变并不会造成CNV事件，而绝大多数肿瘤的发生也不是CNV造成的。

从转录组角度看（单细胞空间），推断肿瘤细胞的方法是局部表达值的异常高或者低，仍然是表达水平的范畴，那为什么称之为CNV呢？

前后好像无法对应？

那到底应该如何理解？

1. CNV在肿瘤中的普遍性

虽然肿瘤的发生常由驱动突变（如TP53、KRAS等）起始，但几乎所有的实体瘤在进展过程中都会积累大规模的基因组拷贝数变异（CNV），例如：

染色体臂级别的扩增（如EGFR扩增）或缺失（如CDKN2A缺失）。

这些CNV会导致基因表达量的系统性改变（如扩增区域的基因表达上调）。

CNV在肿瘤细胞中具有克隆性（同一区域的肿瘤细胞共享相似的CNV模式），而正常细胞则无此特征。

因此，CNV可以作为肿瘤细胞的稳定分子标志物，即使突变信息未知。

2. 空间转录组如何利用CNV检测肿瘤区域

空间转录组技术（如10x Genomics Visium）在保留组织空间位置的同时，检测全转录组的基因表达。通过以下步骤推断CNV并定位肿瘤区域：

（1）基于表达的CNV推断

原理：肿瘤细胞的CNV会导致其所在空间位点中特定染色体区域基因表达量的系统性偏移（如染色体1q扩增的位点中，1q基因表达整体升高）。

方法：

对每个空间位点（spot）的基因表达数据，按染色体区域分箱（binning），计算区域表达量的相对值。

通过算法（如InferCNV、CopyKAT）比较肿瘤位点与正常参考细胞的表达模式，识别异常区域。

（2）空间信息的整合

肿瘤区域的CNV信号在空间上呈现连续性（如相邻位点共享相似的CNV模式），而正常细胞或无CNV的炎症区域则无此特征。

通过聚类分析（如层次聚类或图聚类），可将具有相似CNV模式的位点划分为肿瘤区域。

（3）区分肿瘤异质性

不同克隆的肿瘤细胞可能具有不同的CNV模式（如亚克隆扩增），空间转录组可进一步解析肿瘤内的异质性区域。

3. 为什么突变信息不直接用于空间转录组？

技术限制：常规空间转录组（如Visium）仅检测基因表达，不直接提供DNA突变信息。虽然可通过突变相关基因的表达间接推测（如TP53表达下调），但准确性远低于CNV。

信号强度：CNV是染色体级别的变化，其导致的表达改变更容易被检测；而单核苷酸突变（SNV）对表达的影响可能微弱且难以区分。

数据兼容性：单细胞DNA测序（scDNA-seq）可检测突变，但无法保留空间信息；多组学整合（如同时测RNA+DNA）尚在发展中。

4. 应用场景与优势

肿瘤边界鉴定：区分浸润性肿瘤区域与正常/间质细胞（如胶质瘤的侵袭前沿）。

微环境分析：结合CNV定义的肿瘤区域，研究其与免疫细胞（如T细胞）的空间互作。

辅助病理诊断：在组织形态不典型时（如低纯度样本），CNV提供分子层面的客观证据。

5. 总结

空间转录组通过CNV检测肿瘤区域的核心逻辑是：

肿瘤细胞的克隆性CNV → 染色体区域基因表达的系统性偏移 → 空间聚类分析 → 肿瘤区域定位。

尽管突变是肿瘤的驱动因素，但CNV因其大规模、克隆性和易于通过表达数据推断的特性，成为空间转录组中更实用的肿瘤标志物。未来结合原位测序（如MERFISH）或空间多组学技术，将进一步提升分辨率。

生活很好，有你更好