近日，來自蘇黎世大學Bodenmiller教授所帶領的研究團隊在這個領域獲得了突破。他們從大量包含空間信息的單細胞數據中，找到了與疾病預後相關的分類模式，可能為癌症患者的個體化
診斷和治療提供依據。
這是一項具有裡程碑意義的回顧性臨床研究。University Hospital Basel和 University Hospital Zurich兩所醫院為這項研究提供了總計353例
乳腺癌病人的FFPE切片樣本，同時提供的還有其中281例病人的長期生存數據，為後續的檢測和分析打下堅實的基礎。
Fig1. 研究人員通過Hyperion獲得乳腺癌組織包含35個marker的表達數據的高維圖像，
圖中展示的是Hyperion的檢測原理，研究所使用的Panel設計，以及部分偽彩組織圖片；
利用Hyperion組織成像質譜流式系統（簡稱Hyperion），研究人員檢測了切片樣本上35個marker的表達和定位，獲得了720張高維腫瘤病理圖像。這些圖片中包含大量關於組織細胞的定位、表型的信息，如何將這些信息解析出來並與臨床數據產生聯繫，成了下一步的關鍵。研究人員的分析思路很具有啟發性，他們主要著眼於兩個方面：
腫瘤組織細胞的表型，以及它們位置關係。
依照單細胞表型對組織細胞進行分類
細胞表型方面的分析相對簡單，研究人員首先利用Cellprofiller等單細胞化工具識別出組織圖像中的每個細胞，由此可以得到單細胞水平的marker表達數據。隨後採用一些成熟的聚類方法（例如：PhenoGraph、層次聚類）將組織細胞劃分成了27個元群（metacluster*）。他們包含了6個免疫細胞元群，6個間質（Stromal）細胞元群以及13個上皮性質（Epithelial）的
腫瘤細胞元群。
Fig2. 圖像單細胞化後，根據單細胞表達數據聚成的27個元群（metacluster）
B. 示例圖片，展示不同元群細胞在組織中的位置
組織中的細胞"群落"（community）
與細胞表型同樣重要的，是它們的位置關係，因為組織細胞發揮功能往往不是各自獨立的，而是相互協調、相互影響產生合力的過程。為了方便描述組織中這種複雜的多細胞相互作用模式，作者引入"群落"(Community*)的概念，一個"群落"中可以包含一個或多種不同種類的細胞相互作用。
組織中的"群落"的識別方法和目前流行的社交網絡中"社區"（Social Community）識別非常類似，利用相同的算法，作者把腫瘤組織中的相互作用網絡劃分成了大小不一，組成不定的區塊，這些區塊就是一個個"群落"。依照運算時起始細胞種類的不同，作者對群落類型進行了進一步的定義。僅依照腫瘤細胞計算出的"群落"，本質上是一些大小不同的密集的上皮細胞斑塊，它們被稱為"腫瘤群落"（Tumour Community，TC），而依照所有細胞計算出來的，則是包含
腫瘤和基質細胞成分的 "微環境群落"（Microenvironment Community）。此外，根據他們的細胞組成，研究人員還對這些群落進行了進一步的分型。
Fig3. 組織細胞群落的識別和分型
單細胞病理學亞組，更精細的臨床分類方法
接下來，作者深入研究了不同亞型的乳腺癌病例，在組織"群落"構成以及預後等方面的差異。大量數據表明，臨床上的經典分類方法不能完全反映個體間及個體內存在的細胞異質性，而現在單細胞水平上的病理學分析可以提供比經典組織學更高解析度的臨床亞型分類方法。
研究人員計算了每個病例中各個元群細胞的比例，並據此進行聚類，將所有病例劃分為18個SCP亞組(single cell pathology subgroup，即單細胞病理學亞組*)。相比經典的分類方法，這種分類更加精細：HRhi/+細胞富集的病例被分為6個不同的SCP 亞組(SCPs 1~5，12)而對於另一些僅具有少量的HRhi/+細胞的病例，目前他們在臨床上並沒有被很好的分類，在這裡也被分成了6個不同的SCP亞組（SCPs 6~10，11）。
結合臨床上收集的長期生存數據，研究人員發現很多SCP亞組表現出獨特的臨床預後特徵。例如SCP 1主要由23號元群（表型為CK+ HRhi的腫瘤細胞）的細胞構成，這部分患者完全不屈服於疾病。與此相反，SCP3雖然包含相同的元群，但22和25兩個元群的比例較高，結構上也由較小的
腫瘤群落構成，則預後相對較差）（Fig4B）。
如果從腫瘤群落的構成的角度分析各個SCP的組織結構，可以明顯看出一些規律。多數腫瘤構成上相對單一，主要由很少的幾型
腫瘤群落構成，而少數在群落構成上具有較高異質性的亞組，例如SCP8，則往往具有較差的預後。
Fig4. 單細胞病理學亞組表現出獨特的臨床預後特徵
A. 經典臨床分類下生存期曲線、B. 部分SCP亞組的生存期曲線
(註：黑色曲線為所有樣本)
主持這項研究的是蘇黎世大學定量生物醫學系主任--Bernd Bodenmiller教授。他總結道，"單細胞分析表明，癌症患者個體間和個體內存在很大差異，但是目前基於組織病理學的癌症亞型鑑定方法並未考慮到這些分析得出的數據。我們的研究結果表明，與目前基於組織學的方法相比，組織成像質譜流式（IMC）提供了一種更高級的技術手段，可以識別與臨床結果相關的單細胞特徵。我們的發現揭示了多通道細胞空間信息的醫學相關性，在未來，它將在推進精準醫療的發展過程中發揮潛力。"
這項研究的成功開展，得益於Fluidigm的Hyperion組織成像質譜流式系統的出色表現。與傳統的免疫組化或者免疫螢光不同，Hyperion主要採用金屬元素作為抗體的標籤，利用質譜系統進行信號的檢測。從原理上避免了螢光串色、組織背景等對於結果的影響，可在一次掃描中同時檢測幾十種蛋白質，是觀察和研究健康和疾病組織的理想手段。
Fluidigm總裁兼CEO，Chris Linthwaite表示："單細胞空間圖像和有關
腫瘤微環境特徵的數據為我們帶來全新的思路，我們相信這項研究將進一步增加IMC技術在轉化醫學和臨床研究中的應用，從而為將來癌症診療提供更好的預測方法以及個性化治療方案。"
編者註：
•文中涉及大量關於細胞的分組以及樣本的分組詞彙，為了理解方便進行了靈活意譯：
•Metacluster：本意是細胞的cluster再次聚類後產生的較大的cluster，這裡將其稱為"元群"；
•Subgroup：是指對樣本分組的細化，這裡稱為亞組，以便和前面細胞分群的概念相區別。
•Community：依照習慣，社交網絡裡的community稱為"社區"，而為了理解方便，文獻中提到的細胞組成的community被翻譯為"群落"；
參考文獻：
1 Jackson， H.W.， Fischer， J.R.， Zanotelli， V.R. et al. "The single-cell pathology landscape of breast cancer." Nature. 20 January 2020， DOI： 10.1038/s41586-019-1876-x.
訪問 Fluidigm.com/IMC， 了解更多信息