生信碱移

scSurvival单细胞预后

scSurvival：单个细胞级别的预后风险预测与下游功能分析。

传统癌症生存分析通常基于 bulk RNA-seq，比如来自 TCGA 等数据库的大规模队列数据。对应的数据格式是很清晰的，每个样本的基因表达以及生存事件，在此基础上可以用 Cox 模型预测患者级别的预后风险。

单细胞层面，能够更加明确的看到肿瘤微环境中的异质性细胞群体，数据层面也扩展到一个样本对应数万个细胞。逻辑上，患者的预后不是由所有细胞平均决定的，而是由某些关键细胞亚群决定的。所以预测单个细胞级别的预后风险还是很有必要的。

之前小编分享了 scSurv 等工具能够整合 bulk 数据预测单个细胞水平的预后分享（点击此处阅读推文），这两天又看到一个模型 scSurvival 也是刚刚见刊 Cancer Discovery [IF 33.3]，并且还算是妥妥的纯生信：

DOI: 10.1158/2159-8290.cd-25-0965

scSurvival 原理层面多少还是有些差异的，主要体现在直接建模样本级别的 scRNA-seq 队列和生存结局。具体来说，scSurvival 输入患者单细胞表达矩阵，结合生存时间和事件状态进行训练。模型先用 ZIG-VAE 对表达数据进行特征提取，获得细胞低维特征；随后把每个患者看作由多个细胞组成的 bag，用多头注意力机制判断哪些细胞对患者预后贡献最大，并加权汇总为患者级特征。这个提取好的样本级别特征再通过 Cox 建模，预测患者的风险得分。

输出的结果还是比较好理解的：

• • 患者预后预测：模型输出风险评分，在此基础上可以区分为高低风险组走常规的预后分析流程

• • 细胞预后预测：单个细胞级别的风险得分，以及可以进一步鉴定预后高风险的细胞亚群

• • 功能分析：主要还是比较高低风险组的差异基因、KEGG 功能这种

图：scSurvival 模型框架 (A-H) 与具体下游的应用（I-K），其实模型还是相对简单的，并且框架还是比较清晰的。

性能层面小编就不具体介绍，主要带大家看看作者正文分析的示例。首先是黑色素瘤免疫治疗队列的高低风险免疫细胞状态鉴定。可以看到 B cells 和 plasma cells 整体偏低风险，monocytes/macrophages 整体偏高风险：

图：黑色素瘤单个细胞级别的风险分析。

随后就是差异的基因以及富集分析，并且还有患者级别的预后分析。在单核/巨噬细胞中，高风险细胞表现为 SPP1 高、CXCL9 低，更接近促肿瘤 TAM 状态；低风险细胞表现为 CXCL9 高、SPP1 低，并富集抗原呈递、IFN-γ 反应、T 细胞激活等免疫激活通路：：

图：高低风险细胞的差异基因与富集，以及样本级别的预后风险。

作者在另外的癌症队列中也进行了分析，逻辑也差不多，不过还结合了常规的拟时序分析：

图：肝癌的单细胞预后分析。

scSurvival 支持 R 与 python 两种语言环境，github 仓如下：

• • https://github.com/cliffren/scSurvival

• • R语言教程：https://cliffren.github.io/scSurvival/examples/scSurvival_Tutorial_in_R.html

• • python教程：https://github.com/cliffren/scSurvival/blob/main/examples/scSurvival_Tutorial_in_Python.ipynb

主要还是配置与读入的过程麻烦些，运行层面 python 可以通过 scSurvivalRun 函数进行：

adata, surv, model = scSurvivalRun(
    adata,
    sample_column='sample',
    surv=surv,
    covariates=covariates,
    feature_flavor='AE',
    entropy_threshold=0.7,
    pretrain_epochs=200,
    epochs=500,
    patience=100,
    fitnetune_strategy='alternating'
)

参数比较清晰，小编不具体讲解。adata 是 scanpy 的对象，surv 则是样本级别的生存信息表，模型层面可选 AE/VAE 以及具体的训练参数。

R 语言运行则是在 R Markdown 里用 Python chunk 调用同一个函数，所以区别不大，各位佬铁可以自行学习。

又是单个细胞的预后建模

好好想想其它映射到单个细胞的表型吧

欢迎各位佬铁关注一手