单细胞测序新工具SCICoNE：解析肿瘤拷贝数变异与进化史

肿瘤的发展依赖于基因组拷贝数变异（CNAs），如扩增和缺失，这些变异导致肿瘤内细胞的高度异质性，也是治疗耐药和复发的关键因素。单细胞测序技术能够在单个细胞水平解析拷贝数变异，但浅全基因组测序（如10x Genomics等高通量技术）产生的低深度数据存在显著噪声，传统方法难以准确识别CNAs并重建细胞进化关系。

瑞士苏黎世联邦理工学院的研究团队在《Bioinformatics》期刊上介绍了一种用于单细胞拷贝数变异分析的统计模型和马尔可夫链蒙特卡洛（MCMC）算法——SCICoNE。该模型和算法能够从浅层全基因组DNA测序数据中分析单细胞拷贝数变异，并重建肿瘤中拷贝数事件的历史，为癌症的个性化和精准诊疗提供关键信息。

研究内容

图 1 SCICoNE进行拷贝数变异分析和树推断的概述

如图1，拷贝数事件树（CNA Tree）的每个节点都代表着特定的CNAs事件，比如某染色体区段的扩增或缺失。SCICoNE构建的这一模型，就像是在肿瘤细胞的基因组世界里绘制了一张详细的地图，把单细胞的拷贝数谱与肿瘤进化历史紧密相连。通过追踪细胞在这棵树上的位置，研究人员能够像在地图上找到目的地一样，精准推断出细胞的拷贝数状态。

图 2 来自乳腺癌异种移植模型的260个细胞的推断树

在利用动态规划算法整合单细胞数据的图2里，直观呈现了对基因组断点的检测，以及拷贝数区段的划分。同时，结合Dirichlet-Multinomial模型处理测序数据的过度分散性时，原本像一团乱麻的数据噪声被有效过滤，从而清晰地区分信号与噪声，让我们能够看到数据背后真实的生物学信息。

图 3 来自乳腺癌异种移植模型的260个细胞的推断拷贝数分析

在低深度测序场景（平均2-8 reads/bin）下，SCICoNE的拷贝数重建误差（Δ）显著低于HMMcopy、Ginkgo等传统方法，尤其在高噪声环境下，优势更是一目了然。与树模型CONET和NestedBD相比，从图片中不同颜色的线条和数据对比能看出，SCICoNE的进化树距离（τ）更小，更贴近真实树结构，这意味着它能更准确地还原肿瘤细胞的进化历程。

图 4 来自乳腺癌（10x Genomics）的2053个细胞的推断拷贝数分析

在乳腺癌样本应用方面，图片为我们呈现了具体的研究成果。在异种移植模型中，在对260个三阴性乳腺癌细胞分析结果中，SCICoNE重建的进化树清晰地揭示了TP53缺失、PIK3CA扩增等早期驱动事件，并且识别出AKT1基因的重复扩增现象，这些复杂的肿瘤进化信息通过图片直观地展现在我们眼前。而在10x Genomics临床数据相关图中，针对2053个乳腺癌细胞，SCICoNE检测到全基因组复制事件，校正肿瘤细胞倍性后准确推断拷贝数谱，识别出克隆A（非恶性二倍体）与克隆B-D（恶性四倍体）的分化轨迹，不同克隆在图片中以不同颜色和形态区分，让我们对肿瘤细胞的不同克隆类型及其演变有了更清晰的认识。

图 5 模拟数据的拷贝数树重建比较

对比传统方法（如HMMcopy）仅单细胞独立分析，从图5的图片对比中我们可以明显看出SCICoNE通过共享进化史增强信号的巨大优势。例如在异种移植数据相关图片中，SCICoNE推断的拷贝数谱比原始计数更清晰，就好像给模糊的图像加上了高清滤镜，有效过滤了单细胞噪声，让我们看到更准确的基因组信息。此外，单细胞转录组数据揭示了DNA拷贝数与RNA表达的不完全对应性，这提示了表观调控等额外机制的存在，也为未来的研究指明了新的方向，比如可拓展至整合点突变与等位基因特异性分析，进一步解析肿瘤进化全景。

该研究开发的SCICoNE工具为单细胞拷贝数变异分析提供了新的解决思路，其将进化关系与拷贝数变异分析相结合的方法有助于深入理解肿瘤的进化过程，为癌症的精准治疗提供了更准确的基因组信息。通过重建肿瘤中拷贝数事件的历史，SCICoNE有望在预测治疗反应和研究肿瘤耐药机制等方面发挥重要作用。此外，这种结合基因组进化分析和单细胞测序的技术为癌症研究开辟了新的方向，未来可能会进一步推动个性化医疗的发展。

原文链接：https://doi.org/10.1093/bioinformatics/btaf072