近日，加拿大安大略省癌症研究所的研究人员在Nature Communications上发表了题为“Pan-cancer classification of single cells in the tumour microenvironment”的文章，提出了一个全面、泛癌的TME细胞类型分类工具——scATOMIC（single cell annotation of tumour microenvironments in pan-cancer settings），用于恶性和非恶性细胞的模块化注释，其性能优于其他现有分类方法。研究团队使用超30万个癌症、免疫和基质细胞对scATOMIC进行了训练，并定义了19种常见癌症的泛癌症参考。此外，研究团队还设计了一个结构化方案，降低了TME多细胞系统的转录组复杂性，以改善细胞分类。

scATOMIC可有效地注释泛癌症环境中的TME细胞（图1）。为定义泛癌症参考，研究团队分析了包含两个转录组独立、细胞身份已确认数据集的综合数据源：代表19种常见癌症类型的癌细胞系scRNA-seq数据集和不同外周血细胞的CITE-seq数据集。最终，scATOMIC的训练参考数据集共纳入301,662个细胞。

为改善有关细胞类型鉴定，研究团队构建了一个泛癌TME细胞层次结构，其中每个父节点代表一组相关细胞，每个终端节点代表一个目标单细胞类别。此外，scATOMIC中嵌入了癌症特征评分和细胞分化模块。

图1. scATOMIC训练和分类概述。

接下来，研究团队评估、验证了scATOMIC跨内部和外部数据集的性能。首先，使用训练参考数据集进行了五重交叉验证（图2）。结果显示，在所有细胞类型中，scATOMIC取得了中位F1评分（0.90~0.99），这意味着其在泛癌TME环境中对细胞breadth进行分类的准确性较高。其次，研究团队从原发性肿瘤活检和血液样本中挖掘了公开可用的scRNA-seq数据，建立一个具有高置信度的细胞注释验证数据集对scATOMIC进行验证，共包含13种癌症类型。与内部验证结果相似，scATOMIC在独立外部验证中的中位F1评分为0.99。上述结果证明，scATOMIC的核心算法在检测癌细胞及其类型以及预测非恶性细胞类型和亚型方面具有广泛的能力。

研究团队将scATOMIC与6种常用的scRNA-seq分类工具的进行了性能比较。结果显示，在血液、基质和癌细胞中，scATOMIC的中位F1评分分别为0.95、0.99和0.99，优于现有scRNA-seq分类工具。scATOMIC能克服泛癌环境中的复杂性，以准确识别癌细胞，其在注释基质和血液方面也有良好表现。

非整倍体CNV图谱通过影响基因表达水平与许多癌症的发生和发展高度相关。研究团队通过比较scATOMIC的最终癌症预测与基于CNV的倍性推断状态，评估了scATOMIC区分恶性细胞与TME其他正常细胞的能力（图3）。在所有活检中，预测为恶性的细胞和非整倍体推断的CNV谱，以及非恶性检测细胞和二倍体推断的图谱之间有较高的一致性，中位一致性率为85.9%。上述结果表明，利用scRNA-seq数据能够准确、有效地将癌症和相关的正常组织细胞按其转录组图谱进行分类，且不受其倍性状态的影响。

鉴于现有的单细胞注释工具并不能提供有关癌细胞起源组织的信息，研究团队使用scATOMIC预测了可能未知的肿瘤起源（图4）。研究团队收集了62个来自不同解剖部位的乳腺癌、肾癌、肺癌、卵巢癌和皮肤癌的转移性活检数据集。在62个样本中，scATOMIC正确预测了52个（83.9%）样本的起源组织，证明了其在远端细胞的稳健性。此外，在1个肾和2个肺样本（另外4.9%）中，scATOMIC没有给出最终分类，但将预测重点放在正确的中间类别上。上述结果表明，使用单细胞转录组学准确检测转移性癌症的起源组织是可行的，scATOMIC可以帮助识别多种实体人类肿瘤的癌症起源部位。

综上所述，该研究开发了一种高度准确的单细胞注释工具scATOMIC，并使用常见的致命癌症类型的TME对其进行了基准测试和验证。scATOMIC是一种标准化的单细胞癌症转录组研究方法。与其他工具相比，scATOMIC在癌症环境中更具优势。scATOMIC能够以高分辨率准确识别TME驻留细胞、区分癌症和正常组织细胞以及确定肿瘤起源，这将丰富和促进广泛的癌症研究。

参考文献：

Nofech-Mozes, I., Soave, D., Awadalla, P. et al. Pan-cancer classification of single cells in the tumour microenvironment. Nat Commun 14, 1615 (2023). https://doi.org/10.1038/s41467-023-37353-8