东京科学大学的研究人员开发了一种名为scSurv的计算方法，能够利用广泛可用的批量RNA测序数据，将单个细胞与患者预后联系起来。该方法通过单细胞参考数据集结合患者生存数据，推断复杂组织中个体细胞的贡献。该模型识别出了与多种癌症生存相关的细胞群体，为发现疾病驱动细胞和支持更精准治疗策略的开发提供了途径。
如果科学家能够识别出驱动疾病的特定细胞，会怎样？例如，在肿瘤中，存在成千上万个个体细胞，每个细胞在疾病进展或治疗抵抗中扮演着独特角色。识别哪些细胞促进疾病、哪些有助于对抗疾病，将有助于指导未来的治疗策略。
随着单细胞测序技术的进步，这种单细胞层面的分析已成为可能。该技术允许研究人员测量单个细胞的基因表达，深入了解它们的行为和功能。通过将这些细胞信息与患者预后联系起来，研究人员可以开始理解个体细胞如何影响疾病进展。
然而，将单细胞信息与临床结果相结合的数据集仍然相对有限。相比之下，包含多种细胞的组织的大批量核糖核酸（RNA）测序数据则广泛可用。
来自日本东京科学大学的研究人员开发了一种计算方法，利用单细胞RNA测序数据作为参考，从批量RNA测序数据中估计个体细胞的比例和贡献，并确定它们如何影响患者预后。他们的模型名为scSurv，有助于指导更个性化的治疗策略。
该方法于2025年12月22日在线发布，并于2026年1月13日发表在《生物信息学》期刊第42卷第1期上，其实现也作为开源Python包在GitHub和Zenodo上提供。
研究团队由东京科学大学综合研究所医学研究实验室生物数据科学系计算与系统生物学教授岛村哲平、研究生水越力，以及日本国立癌症研究中心研究所计算生命科学实验室主任（同时兼任东京科学大学同一系附属研究员）小岛康弘博士共同领导。
岛村教授表示：“我们首次提出了量化单个细胞对临床结果贡献的方法。该方法识别出与预后相关的细胞群体和相关基因，在治疗靶点发现和生物标志物识别方面具有潜在应用，从而为利用现有批量RNA测序和临床数据集实现精准医学提供了基础。”
scSurv利用单细胞RNA测序数据作为参考，对批量样本的RNA测序数据进行解卷积，估计每个样本中潜在细胞状态（即具有相似基因表达模式的细胞群体）的比例。然后，通过扩展的Cox比例风险模型，将这些细胞状态的贡献与患者预后联系起来，该模型考虑了患者生存数据。这种生存分析方法估计每个细胞状态对临床风险的贡献强度。然后，模型将这些风险贡献映射回属于这些状态的单个细胞，以推断它们对患者预后的影响。
训练完成后，该模型能够估计超过10,000个单个细胞对疾病风险和预后的贡献。它还能识别与疾病进展相关的基因，并根据潜在临床风险绘制组织内不同区域。
利用癌症基因组图谱的数据，该模型成功预测了多种癌症患者的生存情况，包括训练中未使用的患者数据。该方法还识别了黑色素瘤中与患者预后相关的单个细胞，并检测到了已知与不同生存结果相关的免疫细胞——巨噬细胞。研究人员还能够绘制受肾细胞癌（一种肾癌）影响的肿瘤组织风险图，揭示出与较高或较低风险相关的区域。研究人员还使用传染病数据集测试了该方法，突显了其在癌症之外疾病研究中的多功能性。
岛村教授说：“这些发现表明，scSurv可能有助于更先进的临床结果分析和治疗靶点的发现。”
通过检查单个细胞对疾病的贡献，研究人员可以在细胞层面更好地理解疾病机制，最终支持开发更精准的诊断工具和个性化治疗。
/公开发布。 此材料来自原始组织/作者，可能具有时效性，并经过编辑以提高清晰度、风格和长度。Mirage News不采取机构立场或立场，本文中表达的所有观点、立场和结论仅代表作者的观点。在此处查看全文。
【全文结束】