钱同学云计算

Appearance

Cancer Cell | 用线粒体突变追踪肿瘤先天免疫细胞 ​

生信经典文献解读 004

T 细胞和 B 细胞有 TCR、BCR 可以追踪克隆。那巨噬细胞、树突细胞、单核细胞这些先天免疫细胞怎么办？

这个视频讲的是一篇 Cancer Cell 文章：

Clonal lineage tracing of innate immune cells in human cancer

论文 DOI：10.1016/j.ccell.2026.05.006

它解决的问题很具体：肿瘤微环境里有大量先天免疫细胞，但这类细胞不像 T/B 细胞那样有天然的受体重排条形码。想知道它们从哪里来、是不是同一批祖先细胞扩增而来、进入肿瘤前是不是已经带着某种命运倾向，过去并不好做。

这篇文章用了一条很巧的路：借助体细胞线粒体 DNA 突变，把 mtDNA 变异当作天然的克隆标记，再和单细胞染色质开放状态一起读出来。

为什么线粒体 DNA 能拿来做克隆追踪？ ​

每个细胞里有很多线粒体基因组拷贝。细胞在分裂和扩增过程中，某些 mtDNA 变异会被后代细胞带着走。

如果两个细胞共享一组稳定的 mtDNA 变异，它们就可能来自同一条克隆谱系。这个逻辑不需要提前编辑细胞，也不需要外源条形码。对人类原发组织来说，这一点很重要。

但这里也有坑。肿瘤样本里的 mtDNA 读数会受覆盖度、污染、水平转移和技术噪声影响。不能看到一个变异就说它是克隆标记。视频里提到的 Mitotrekit，就是为了解决这类假阳性和克隆分配问题。

这篇文章的方法组合 ​

文章的主线可以拆成两层。

第一层是 mtscATAC-seq。

它在单细胞层面同时拿到染色质可及性和线粒体 DNA 基因型。这样一来，每个细胞既有状态信息，也有克隆线索。你可以知道这个细胞像巨噬细胞、DC3 还是单核细胞，也可以看它和哪些细胞共享 mtDNA 变异。

第二层是 Mitotrekit。

它处理实体瘤单细胞数据里常见的游离 mtDNA 污染和低频假关联，通过阳性和未标记矩阵转换、高频变异过滤、多克隆分配剔除等步骤，把克隆分配做得更稳。视频里提到，在已知克隆的造血干细胞数据中，准确率超过 91%。

结果为什么有意思？ ​

这篇文章分析了早期非小细胞肺癌、卵巢癌、非受累正常组织和外周血样本，总共得到 218,715 个高质量单细胞图谱。

真正让人眼前一亮的是结论方向：肿瘤微环境里的某些髓系细胞，不是简单在肿瘤局部随机出现。它们和循环单核细胞、组织浸润单核细胞之间存在克隆关系。

换句话说，有些肿瘤内的巨噬细胞和 DC3，可能在进入肿瘤前就已经带着偏向性。文章还提出 DC-biased 和 macrophage-biased clones 的概念，意思是不同克隆的单核细胞前体，可能已经有不同的表观遗传状态。

这件事对肿瘤免疫解读很有价值。因为它把问题从“肿瘤里有哪些免疫细胞”推进到“这些细胞怎么来的，来之前是不是已经被设定了一部分命运”。

做生信复现时，难点在哪里？ ​

难点不在画 UMAP。

这类文章真正难的是把几层对象对齐：

  • scATAC 的 peak 矩阵和细胞质控；
  • mtDNA 变异矩阵和覆盖度过滤；
  • 细胞类型注释；
  • 克隆分配；
  • 不同组织来源之间的克隆共享；
  • 克隆偏向和染色质状态的联系。

少一步都能画图，但结论会发飘。尤其是 mtDNA 变异这块，如果过滤不严，很容易把噪声当成克隆。

这篇适合哪些同学学？ ​

如果你在做肿瘤微环境、单细胞 ATAC、免疫细胞谱系、克隆演化，或者想把单细胞数据讲得更像一条机制故事，这篇值得看。

它也适合拿来做课程案例。因为学生可以从一个问题开始：先天免疫细胞没有 TCR/BCR，怎么追踪克隆？然后一步步看到 mtscATAC-seq、mtDNA 变异、Mitotrekit、ArchR 和下游解释怎么接起来。

这比单纯讲“单细胞聚类和 marker 注释”更有训练价值。

云平台可以怎么整理这类项目？ ​

这类流程最怕散。一个目录放数据，一个目录放脚本，一个目录放图，跑到后面自己都不知道哪个版本能复现。

我们会按项目方式整理：

text
my-rawdata/      原始数据、样本表、论文材料
my-data/         处理后的 peak、metadata、mtDNA 结果
demo-rawdata/    教学输入示例
demo-data/       教学中间结果
scripts/         ArchR、mgatk、Mitotrekit、可视化脚本
results/         QC、UMAP、克隆热图、谱系关系图
readme/          运行说明和常见问题
conda-env/       可复用运行环境

公开视频可以先看。真要复现，最好拿完整包。这里面不只是脚本，还包括每一步该检查什么。

想拿复现资料？ ​

文章里不直接放完整代码和数据。

如果你想要下面这些内容，可以加客服微信：

  • Cancer Cell 这篇文章的图文解读整理；
  • mtscATAC-seq 和 mtDNA 克隆追踪的流程说明；
  • ArchR、mgatk、Mitotrekit 相关脚本框架；
  • 可复跑项目目录模板；
  • 云平台上机练习方式。

客服微信：15259811736

备注“Cancer Cell 先天免疫克隆追踪”，说明你想要复现包、脚本框架或云平台上机流程。

最后说句实在的 ​

这篇文章好看的地方，不是它用了一个新工具名，而是它把肿瘤免疫细胞从“状态图”拉回到“来源和命运”。

如果只看 UMAP，很多髓系细胞只是几个 cluster。把 mtDNA 克隆关系加进去以后，你会开始问另一个问题：这些细胞是不是同一路来的？它们进入肿瘤之前，命运是不是已经有了偏向？

这就是这篇 Cancer Cell 值得学的地方。

服务器地址：https://vip.r-py.com/

参考：