利用单细胞Ca2+分析研究癌细胞的异质性

这篇论文探讨了Ca2+信号在癌细胞中的应用，特别是如何通过Ca2+响应来识别单个癌细胞。研究的核心在于利用无监督和监督机器学习方法分析Ca2+响应数据，以揭示细胞内的异质性，并开发出一种新的癌细胞识别方法。

研究背景与目的

Ca2+信号在几乎所有生理过程中都起着重要作用。不同细胞类型对刺激的Ca2+响应特征可以关联到特定的信号通路或细胞类型。本文的目标是通过记录癌细胞系对一系列激动剂的Ca2+响应，定义其Ca2+特征，并利用机器学习技术进行细胞识别。

方法与技术

1. 数据采集与降维：研究首先通过实验记录了不同癌细胞系对激动剂的Ca2+响应。为了处理复杂的数据，研究应用了**统一流形近似投影（UMAP）**进行降维，将每个Ca2+响应投影到二维空间中。这种方法有助于可视化复杂数据，并提高无监督聚类算法的性能。

2. 无监督聚类：研究使用了多种无监督聚类算法，包括Affinity Propagation、DBScan、Optics和共享最近邻（SNN）。这些算法用于识别数据中的自然模式和集群，特别是SNN在降维后的数据上表现出色，识别出了50个不同的集群。

3. 特征分析：每个集群的特征通过其振幅、曲线下面积（AUC）和振荡次数来定义。研究发现，某些集群显示出高振幅和AUC，而其他集群则具有较高的振荡次数。

4. 监督学习：研究进一步使用监督机器学习，特别是人工神经网络（ANN），来预测细胞的组织来源（TOO）、隔离部位（IS）和细胞身份。ANN模型通过输入Ca2+响应特征和激动剂名称，输出预测的细胞特征。

研究结果

• 异质性识别：通过UMAP降维和无监督聚类，研究能够区分出Ca2+响应强弱不同的细胞群体。高Ca2+响应的细胞主要集中在UMAP表示的中心区域，而低响应的细胞则位于外部弧形区域。

• 细胞系与激动剂的分布：不同细胞系和激动剂在UMAP空间中的分布显示出显著的重叠，表明聚类并未根据细胞身份或激动剂进行分离。然而，某些细胞系如LNCap和C4-2倾向于聚集在UMAP表示的左外边界，而RWPE-1和PC3则主要位于右下角。

• 聚类结果：SNN聚类识别出50个集群，并进一步通过UMAP和SNN的二次聚类将其归为3个主要类别。每个细胞系根据其Ca2+响应的概率分布在这三个主要类别中。

讨论与贡献

研究表明，Ca2+特征可以编码足够的信息来识别单个癌细胞。这种方法为癌细胞的识别提供了一种快速且经济的途径，与传统的单细胞RNA测序等方法相比，具有实时性和功能性优势。然而，研究也指出，进一步的研究需要评估Ca2+特征与单细胞转录组学的预测准确性。

此外，研究强调了Ca2+信号在癌症中的重要性，特别是**储存操作的Ca2+进入（SOCE）**在不同癌症中的上调现象。尽管在本研究中，SOCE在不同细胞系中的表现并无显著差异，这可能与研究中使用的细胞系数量、培养条件和分析方法有关。

结论

本文首次提出了基于Ca2+特征的癌细胞识别方法，展示了其在识别单个癌细胞方面的潜力。研究为高通量技术提供了新的工具，能够用于肿瘤内异质性研究和癌细胞亚群的识别。未来的研究将需要扩展Ca2+特征数据库，并在更复杂的生物模型中验证其应用潜力。