人类肿瘤图谱网络:以单细胞分辨率描绘肿瘤的跨时空转变

2021-01-22 古麻今醉

我行我show！中国医院管理案例评选，医院卓越管理实践大秀场。点击查看

2020年，来自Broad研究所、麻省理工学院、MSK肿瘤中心等机构的联合研究团队概述了人类肿瘤图谱网络（Human Tumor Atlas Network，HTAN）计划，在《Cell》上发表了一篇题为《The Human Tumor Atlas Network: Charting Tumor Transitions across Space and Time at Single-Cell Resolution.》的文章，阐述了该计划的基本原理，构建模式，应用前景等，并将在未来五年内在美国10个跨学科肿瘤中心进行研究探索。现简单介绍如下：

概述

肿瘤的关键转化过程包括肿瘤的发生、局部扩张、转移和耐药性产生，涉及到肿瘤动态生态系统中细胞之间复杂的相互作用。革命性的单细胞基因组学技术和空间多重原位方法提供了前所未有的分辨率来研究这种复杂性。人类肿瘤图谱网络（HTAN）计划，为美国国家肿瘤研究所（National Cancer Institute，NCI）资助的肿瘤登月计划的一部分，旨在构建临床、实验、计算和组织框架，为多种类型肿瘤组织生成信息丰富且可访问的肿瘤转化三维图谱。这项工作不仅是现有健康器官图谱的补充，也是对以往只注重单点批量测序的大规模肿瘤基因组学方法的补充。生成单细胞、多参数、纵向图谱，并将其与临床结果相结合，将有助于鉴定新的预测性生物标志物和肿瘤特征，以及分析与治疗相关的细胞类型、细胞状态和癌变过程的细胞相互作用。这些技术以及获得的肿瘤图谱将对了解人类肿瘤研究产生深远影响，并有望能改善肿瘤检测、预防和治疗方法，以更好地对肿瘤患者和处于肿瘤风险中的患者进行精准干预和治疗。

背景

肿瘤的发生和进展是通过一系列的关键转化--从癌前病变到癌症状态，从局部病变到转移性疾病，以及从治疗敏感型肿瘤到治疗难治型肿瘤（图1）。虽然不同肿瘤类型和患者的表现不同，但是所有转化涉及各种癌前细胞、恶性肿瘤细胞和非恶性肿瘤细胞（如基质细胞和免疫细胞）间复杂的动态相互作用，通常在肿瘤微环境中以特定的形式存在。癌前细胞和恶性肿瘤细胞的形态、遗传和表观遗传具有多样性，即使是来自同一肿瘤组织也是如此，这关乎到肿瘤的发展、适应新的转移位点和治疗的耐药性。肿瘤微环境中与非肿瘤细胞的相互作用也在疾病的进展中发挥关键作用。肿瘤细胞可以改变自身的生长环境，促进其生长，侵袭到附近或远处部位，并且逃避免疫清除。

图1: 肿瘤的关键转化

肿瘤的基因革命使我们认识到恶性肿瘤有多基因驱动子，但这需要大量分析晚期肿瘤，而通常在一个时间点，病人的治疗和结果信息都是有限的（图2），因为要捕捉肿瘤发生的复杂细胞，在空间和时间维度上，及其在疾病进展和转移中的作用都是很困难的。最近在单细胞基因组学技术和空间多重原位方法的进展使我们能够以前所未有的分辨率审视这种复杂性。因此，现在有机会系统地识别肿瘤中的亚细胞结构、细胞类型、细胞状态和不同的遗传克隆，并将它们在空间上相互联系起来，并与整个肿瘤联系起来。这将使我们能够更好地理解肿瘤的演化和异质性，从而改善诊断和治疗方法。

图2: HTAN是对此前和正在进行的大规模肿瘤基因组计划的补充

作为“肿瘤登月计划”的一部分，HTAN计划的任务是在5年内在肿瘤预防、诊断和治疗方面取得未来十年的进展。HTAN将为一系列不同的癌前病变和已发肿瘤生成三维（3D）肿瘤转移图谱。转化将跨越整个肿瘤演化，从癌前病变到恶性肿瘤的转化，从原发肿瘤到转移性肿瘤的转化，以及肿瘤对治疗耐药性的反应（图1）。类似于地理信息系统，这些交互式图谱可在空间和时间上描述不断演变的肿瘤生态系统，以便能够从单个肿瘤实例中概括和抽象出总体特征。研究者希望在肿瘤进化的不同时间点实现结构、组成和多维度相互作用的可视化，有效识别新的预测生物标志物和治疗相关的细胞类型、细胞状态和细胞相互作用，并提供新的治疗途径。但即便是建成初步的图谱网络，也必须克服大量的临床、实验、计算和组织方面的挑战。为了最大限度地扩大图谱的影响和适用性，研究者还计划开发出有力且灵活的数据集成、可视化和共享策略。

肿瘤关键转化的3D图谱

研究者设想肿瘤图谱是细胞状态、类型和程序转变的综合概述，包含肿瘤细胞相互之间的物理位置、支持基质和细胞外基质等信息。为涵盖不同患者之间以及肿瘤内部不同的自然属性，图谱将概括多种肿瘤特有或共有的基本特征和程序，并将这些分子特征与功能、临床数据和患者结局联系起来。由于肿瘤发生的机制是多样的，并不是所有的肿瘤类型或转移部位都能以相同的方式进行采样，因此在特定地图谱中可用的信息将有所不同。

第一代肿瘤图谱可能是一系列相似肿瘤的交互式2D和3D可视化技术，它将关键分子和细胞特性与临床数据和患者结局相结合（图3）。癌症基因组图谱（TCGA）通过找出不同个体间在不同背景下重现肿瘤的显著突变，识别出癌症驱动子，它还同时兼顾典型的组织学肿瘤特征和有限的临床信息。第二代图谱将从多参数数据集获得更多信息，并有意义地表达特定肿瘤分期和类型的遗传、分子、超微结构、细胞和组织学特征。为实现这一目标，HTAN肿瘤图谱生成预计将涉及5个相互依赖的步骤:（1）从亚细胞分辨率（<250 nm）到细胞簇分辨率（50mm）等多个空间尺度的纵向数据的收集;（2）各数据形态的基本处理和质量控制，确保数据的准确性和再现性;（3）细胞类型、状态和标记肿瘤成分位置的识别;（4）鉴定细胞-细胞相互作用、细胞间通讯、细胞微环境等中等尺度空间图形的特征识别;（5）将实验和临床数据集整合成综合图谱。

图3: 构建人体肿瘤3D图谱

HTAN图谱的构建将围绕多个成人和儿童恶性肿瘤的临床转移进行（图1和4），虽然转移并非在所有肿瘤类型中都存在。由于读懂组织结构是主要目标，HTAN将主要集中于预后差的实体瘤，包括三阴性乳腺癌、高级别胶质瘤、胶质母细胞瘤、高危神经母细胞瘤、儿童肉瘤、高危急性淋巴母细胞白血病、胰腺导管腺癌；乳腺、肺、血液、前列腺和结直肠的癌前病变，以及皮肤黑色素瘤（包括遗传的和散发的）；原发和转移的肺癌和胰腺癌，耐药的转移性乳腺癌、转移性黑色素瘤和转移性结直肠肿瘤。

图4: 该计划研究的主要肿瘤

一旦建成，HTAN图谱就能利用这些与临床转化相关并能完美预测的肿瘤特征或生物标志物（如分子水平、细胞组成或原位结构和分子模式），来提高临床预测水平，以及治疗反应（图5A）。此外，图谱的多参数分析有望指导未来着重于恶性转化的基础生物过程研究（图5B）。用户可以使用来自新标本的数据查询图谱，无需做一整套的测量（图5C）。因此，一种检测模式就可将基因组学和组织病理学联系起来，并有助于收集丰富的空间分子信息。最后，HTAN应该能为科学界提供未来制图工作；推动图像量化分析技术的发展，帮助整合肿瘤间、健康组织和其他疾病数据；使更多的肿瘤标本能够与参考数据集进行比较，或相对容易地添加到参考数据集。

图5: 我们将从该图谱学到什么和如何利用

肿瘤图谱改善临床护理的前景

HTAN图谱将阐明关于恶性肿瘤的至少三个转化，是之前大规模肿瘤基因组项目无法完全解释的补充（图2）。首先，肿瘤微环境及其组成细胞间的相互作用（HTAN可通过空间和单细胞途径获得）为治疗提供方向。其次，尽管以往的研究主要集中在有限的治疗和结局数据的原发肿瘤，HTAN强调纵向采样（涵盖癌前、晚期肿瘤、转移和治疗反应），同时收集全面的临床数据。总之，这些将为检测、预防和治疗策略提供新信息。第三，空间方法的整合将有助于将癌基因组学和组织病理学联系起来，这两种方法是目前诊断肿瘤和辅助肿瘤治疗的两种主要手段。因此，基于HTAN综合、多模态分析的预测性生物标志物比单纯的遗传或组织学生物标志物更有优势。

在恶性肿瘤前期，HTAN界定的生物标志物可帮助对可能进展的病变分层，从而提高治疗效果，减少或避免不必要的治疗，使结局向积极的预后发展。此外，HTAN还能帮助用户识别和评估新预防策略的有效性，促成早期诊断，还有可能促成有效且侵入性低的筛查。对于已确诊的肿瘤，HTAN数据可以帮助识别有局部浸润或转移风险的患者，便于检测复发，并区分侵袭性和生长缓慢的肿瘤。基于图谱数据的肿瘤模型、标记和生物标志物有望进一步确定干预靶点，并预测治疗反应和潜在的耐药性机制，包括肿瘤微环境的作用。单靠基因组学并不能揭示复杂耐药性机制的所有方面。肿瘤转化的HTAN图谱将有助于确定肿瘤内或肿瘤间克隆变异的范围和空间分布，并可指导肿瘤的治疗方案。

如何建立肿瘤图谱

由于构建3D肿瘤图谱需要临床、实验、计算和组织框架各个方面的努力，HTAN的建立也涵盖广泛的工作，涉及样本收集和用于细胞和空间分析的工具开发到数据分析、图谱可视化和查询。HTAN致力于临床数据、实验方法、计算工具、标准和多模态数据的公开传播。

生物标本采集及临床注释

为确保影响力和使用价值，HTAN将从不同种族的人群中获取高质量的样本。被收集纳入的临床肿瘤样本将被广泛注释，以获取详细准确的涵盖人口信息和治疗历史的临床数据。大多数样本会被前瞻性地收集，在选定的病例中，多位点采样将用于获取正常组织、癌前病变、原发肿瘤和转移瘤的匹配组合。为研究治疗的耐药性，HTAN将对几种肿瘤类型的治疗前和治疗后样本进行分析（图4）。

为研究癌前病变向肿瘤的转化，HTAN的研究员将会回顾性地利用储存冷冻或福尔马林固定且石蜡包埋（FFPE）的来自原发肿瘤的活体组织或组织切片，这些原发肿瘤的临近癌前成分在筛查环境中通常无法获得。还将前瞻性地收集晚期或邻近癌前病变的纵向样本。在可能的情况下，纵向队列将追踪病例从浸润前病变发展成肿瘤的整个过程。

细胞和空间剖析

大多数HTAN中心采取了双管齐下的方法建立肿瘤图谱，对离体标本（转录组、多通路复合蛋白、全基因组染色质甲基化）采取配对收集，结合空间分辨的多组分分析方法分析组织中RNAs和蛋白质（图3和表1）。这两种方法互为补充：单细胞分析方法往往缺乏空间分辨率，而目前空间分析方法要么是低样本处理量，要么就多重通道较少测量。一些中心使用磁共振成像（MRI）、计算机断层扫描或正电子发射断层扫描（PET）来纵向记录解剖信息，而有些中心则使用系列电子显微镜以非常高的分辨率记录组织结构。整体基因组学、表观基因组学、蛋白质组学、代谢组学和脂质组学分析将有助于整合先前联盟的现存数据。HTAN面临的关键挑战之一是开发标本FFPE模块的单细胞和多空间分析技术。另外，大多数临床癌前标本被保留为FFPE模块用于诊断，但FFPE降低了大分子物质用于基因组分析的可用性。其他挑战包括需要在快速变化的技术环境中开发、部署和传播新方法，优化肿瘤特定类型方案，并从同一样本中获得多种数据类型。整个网络的基准测试工作将有助于应对这些挑战。这些工作包括多中心一系列跨网络项目，其目标是改进标准操作规程，以最大限度地提高数据再现性。

表1: 构建肿瘤3D图谱的工具箱

数据分析和图谱建立

计算分析是HTAN肿瘤图谱构建的基本组成部分，可反复指导研究和实验设计。HTAN的研究员将采用计算方法绘制细胞和空间剖面图，以及多尺度的组织学和解剖结构。他们进一步将这些数据与临床数据整合，以生成一个广泛可访问并可由科学界动态查询的连贯图谱。HTAN的研究员还将致力于预测细胞-细胞相互作用的功能影响，并通过功能验证研究来测试这些预测。组装肿瘤图谱的一个特大挑战是每个肿瘤都有似成相识的特殊属性。然而，类似于在肿瘤基因组图谱中发现复发的驱动突变，肿瘤细胞图谱的目标是通过使用计算和统计手段来识别肿瘤的共同属性，找到复发的高阶特征。与此同时，识别独特的肿瘤特征并将共同和独特的特征与临床结果联系起来也很重要。

多重数据模型的整合是计算生物学的主要前沿。其他计算领域中类似问题的进展可以提供指导。例如，新的机器学习方法利用了一个统一概念，即细胞位于由相关生物学特征（基因组、表观基因组、转录组、蛋白质组、细胞邻里等）的低维形态上，并且相似的细胞彼此相邻。深度学习方法尤其适合映射这些方面，因为它们不需要事先定义重要特性，就能以自然的方式整合不同的功能类型（例如，单细胞数据称为向量，而空间数据则称为图像），且具有高度延伸性。

“论肿道麻”点评

HTAN不仅是现有健康器官图谱的补充，也是对以往只注重单点批量测序的大规模肿瘤基因组学方法的补充。生成单细胞、多参数、纵向图谱，并将其与临床结果相结合，将有助于鉴定新的预测性生物标志物和肿瘤特征，以及分析与治疗相关的细胞类型、细胞状态和癌变过程的细胞相互作用。与我们所熟知的TCGA（癌症基因组图谱）相比，它将提供更加完善的分析功能。评估HTAN的预测作用需要对每个肿瘤类型所需的个体数量、细胞数量和视野进行统计功效分析。尽管单细胞分析研究可能比TCGA收集的肿瘤更少，但单细胞分辨率却避开了成分混杂因素的影响，从而有助于揭示疾病发生机制。通过机器学习的反褶积与TCGA和ICGC中之前的批量分析研究相结合，以及通过转移学习训练预测模型，同时从在相似任务中表现良好的模型中借用参数，HTAN图谱的作用将会增强。

通过构建HTAN，整合细胞和空间分子分析肿瘤的发生发展转化过程，HTAN让我们对恶性肿瘤的基本概念有了更多理解，并对转化医学产生了深远影响（图6）。HTAN图谱涉及范围广泛，对临床相关转化的高分辨率视角能够突显恶性肿瘤、转移性疾病、治疗反应和耐药性的发展和演化的新方面—包括肿瘤特异性机制和普遍机制。

图6: HTAN将对肿瘤生物学和医学产生深远影响

肿瘤前期，HTAN帮助识别参与恶性肿瘤早期阶段的遗传、表观遗传和环境因素，如非细胞自主因素可从不成功免疫监测中识别出成功的免疫监测。肿瘤晚期，图谱帮我们理解免疫浸润性肿瘤和冷肿瘤的区别；理解引起肿瘤转移的驱动子，这些驱动子通过空间数据比单纯的基因组数据更容易识别；以及理解肿瘤异质性和生态系统对治疗反应和耐药性的影响。更好地理解这些机制将为新的预测模型、预后性生物标志物、特征和诊断提供信息，最终让患者获益，以改善肿瘤患者的预后。它还将改善预防策略、治疗药物和联合用药，从而有针对性且有效地作用于恶性肿瘤的多个位点。

HTAN图谱将成为共享的社区资源，加速探索性和假设驱动研究。通过提供方案、软件和最佳实践指南，以促进技术的开发和部署，这些技术将对人类肿瘤的研究产生深远影响，包括组织学和组织病理学的开放标准。HTAN的合作性质是在科学界建立一个集所有智慧和数据信息的模范。希望HTAN能上升为一种基础性资源，提高肿瘤患者的认识、诊断、监测和治疗，真正的造福临床肿瘤患者。

编译：邓益旭，述评：翁梅琳

审校：张军，缪长虹

原始文献：The Human Tumor Atlas Network: Charting Tumor Transitions across Space and Time at Single-Cell Resolution. Campbell JD, Mazzilli SA, Reid ME, Dhillon SS, Platero S, Beane J, Spira AE. Cell,2020 Apr 16;181(2):236-249. doi: 10.1016/j.cell. 2020.03.053.