癌癥的細胞異質性深刻影響患者預后與治療策略的制定，然而，解析臨床樣本中這種復雜的細胞構成特征，至今仍是腫瘤研究領域的一大挑戰(zhàn)。 單細胞 RNA 測序（ scRNA -seq ）以前所未有的分辨率揭示了基因表達特征，初步破解該難題，但其高昂成本限制了細胞類型與患者預后關聯(lián)的大規(guī)模研究。與之相對，癌癥基因組圖譜（ TCGA ）、基因表達數(shù)據庫（ GEO ）等公共數(shù)據庫的批量 RNA 測序（ bulk RNA-seq ）和基因芯片數(shù)據，富含臨床信息，提供了可規(guī)?；奶娲桨?。反卷積算法以 scRNA -seq 為參考，通過估算 bulk 數(shù)據中的細胞類型占比，搭建起兩類技術的橋梁，探究細胞類型與疾病的關聯(lián)。

然而，反卷積算法的基準測試仍面臨顯著挑戰(zhàn)：目前相關研究均依賴偽批量測序數(shù)據或流式細胞術數(shù)據，默認細胞類型絕對占比已知，但對于真實 bulk RNA 表達數(shù)據， 但對于真實 bulk RNA 表達數(shù)據而言，此類精確的先驗信息并不存在；另一方面，由于 生物噪聲與技術噪聲的干擾 ，反卷積算法在偽批量數(shù)據上的優(yōu)異表現(xiàn)，也并不總能代表其在真實 bulk 數(shù)據中的表現(xiàn)同樣出色。

近日，復旦大學生命科學學院及復雜性狀的遺傳調控全國重點實驗室田衛(wèi)東實驗室在Genome Biology上發(fā)表了文章Evaluating deconvolution methods using real bulk RNA-expression data for robust prognostic insights across cancer types。該研究基于真實bulk數(shù)據中差異比例細胞類型（即不同 疾病狀態(tài)下 下占比發(fā)生顯著變化的細胞類型）的相對變化量來評估算法性能。該指標在不同數(shù)據集中具有穩(wěn)健性，且與臨床研究的核心目標高度契合。

該研究 利用涵蓋 9 種癌癥類型、共 5000 多個 樣本的 18 個真實 bulk RNA 表達隊列，對 5 種主流解卷積方法（含新開發(fā)的 ReCIDE ）進行三項基準測試： 解卷積結果 與單細胞 RNA 測序（ scRNA -seq ）結果的一致性、 解卷積結果的 隊列間可重復性、 和 預后相關性可重復性。 結果顯示 ReCIDE 和 BayesPrism 是兩種在 真實 bulk RNA 表達數(shù)據上表現(xiàn)最佳的方法。進一步的，作者通過泛癌分析研究了在多種癌癥中與癌癥預后相關的細胞類型 mCAF 。

該研究為精準腫瘤學提供了實用的解卷積方法選擇依據，同時建立了真實數(shù)據驅動的評估體系，助力轉化醫(yī)學研究中細胞組成與患者預后關聯(lián)的探索。

復旦大學生命科學學院博士研究生李明翰為第一作者，田衛(wèi)東教授為 論文通訊 作者。

https://link.springer.com/article/10.1186/s13059-026-03942-1

制版人：十一

BioArt

Med

Plants

人才招聘

學術合作組織

（*排名不分先后）

轉載須知

【非原創(chuàng)文章】本文著作權歸文章作者所有，歡迎個人轉發(fā)分享，未經作者的允許禁止轉載，作者擁有所有法定權利，違者必究。