手把手教你用scRNA-seq和scTCR-seq分析CD8⁺ T细胞在免疫治疗中的动态变化

关注

VIP免费原创最新推荐文章于 2026-04-01 02:34:52 发布 560 阅读 AI 写同款· GEO 优化 ›

TCR-seq(T细胞受体测序) 补充一下抗原呈递的部分，因为T细胞是不能直接识别抗原的，需要抗原呈递细胞（APC）把抗原处理成抗原肽-MHC分子复合物并结合在APC表面，然后与T细胞膜表面的TCR结合完成抗原的识别。若这个T细胞是辅助T细胞的话，就激活B细胞以释放抗体。若是细胞毒性T细胞则直接杀死病原体。 MHC：这是一种能与肽段结合的蛋白复合物，通过呈递抗原肽向T细胞反馈 TCR基因是人类基因组中复杂度最高的基因，也是变异程度最高的基因。这个复杂度主要源自3个因素：组成的多样性：成熟TCR的VDJC/VJC结构，是通过复杂的重. 阅读详情

从数据到洞见：单细胞多组学解析CD8⁺ T细胞在免疫治疗中的动态全景

当我们谈论癌症免疫治疗的突破时，CD8⁺ T细胞常常是舞台中央的主角。这些细胞毒性T淋巴细胞是人体免疫系统对抗肿瘤的“精锐部队”，其浸润深度、功能状态和克隆演化的动态变化，直接决定了治疗的成败。然而，肿瘤微环境如同一片复杂的战场，传统的批量测序技术只能描绘模糊的群体画像，难以捕捉单个“士兵”的独特命运和实时转变。这正是单细胞多组学技术大放异彩的领域。通过整合单细胞RNA测序（scRNA-seq）与单细胞TCR测序（scTCR-seq），我们得以以前所未有的分辨率，追踪每一个CD8⁺ T细胞的基因表达谱和其独一无二的T细胞受体（TCR）克隆型，从而解码它们在免疫治疗干预下的动态响应、功能重编程和克隆进化。对于生物信息学初学者和免疫治疗研究者而言，掌握这套从原始数据到生物学发现的分析流程，不仅是跟上技术前沿的必需，更是深入理解免疫应答机制、推动精准治疗的关键。本文将手把手带你走进这个微观世界，构建一套完整的分析框架。

1. 分析基石：数据获取、预处理与质控

任何单细胞分析项目的成功，都始于高质量的数据和严谨的预处理。这一步的目标是将原始的测序数据转化为干净、可靠的基因表达矩阵和TCR克隆信息，为后续的深入挖掘奠定基础。

1.1 原始数据来源与格式解析

单细胞多组学数据通常来自10x Genomics Chromium等平台。你会得到两组核心数据：

scRNA-seq数据：以bcl或fastq格式存储的原始测序文件，包含细胞的基因表达信息。
scTCR-seq数据：同样以fastq格式存储，专门捕获T细胞受体α链和β链的可变区序列。

注意：确保scRNA-seq和scTCR-seq数据来自同一批细胞，并且有准确的细胞条形码（Cell Barcode）对应关系，这是后续进行整合分析的前提。通常实验设计会使用带有“Feature Barcoding”技术的试剂盒，使得同一个细胞的转录组和TCR信息共享同一个条形码。

数据处理的第一步是使用官方或社区认可的流程进行比对和定量。对于scRNA-seq，Cell Ranger（10x Genomics）是标准工具。一个典型的命令行操作如下：

# 使用Cell Ranger处理scRNA-seq数据
cellranger count --id=sample1 \
                 --transcriptome=/path/to/refdata-gex-GRCh38-2020-A \
                 --fastqs=/path/to/fastqs \
                 --sample=mysample \
                 --expect-cells=10000

# 使用Cell Ranger V(D)J处理scTCR-seq数据
cellranger vdj --id=sample1_tcr \
               --reference=/path/to/refdata-cellranger-vdj-GRCh38-alts-ensembl-5.0.0 \
               --fastqs=/path/to/tcr_fastqs \
               --sample=mysample

运行后，你将得到关键输出文件，如filtered_feature_bc_matrix.h5（基因表达矩阵）和filtered_contig_annotations.csv（TCR克隆注释）。

1.2 数据质控与双细胞过滤

拿到表达矩阵后，必须进行严格的质量控制，以去除低质量细胞和技术噪音。我们通常在R语言环境中使用Seurat包进行操作。

library(Seurat)
library(ggplot2)

# 读取10x Genomics输出数据
pbmc.data <- Read10X(data.dir = "/path/to/filtered_feature_bc_matrix/")
pbmc <- CreateSeuratObject(counts = pbmc.data, project = "immune_treatment", min.cells = 3, min.features = 200)

# 计算线粒体基因和核糖体基因比例（质量控制指标）
pbmc[["percent.mt"]] <- PercentageFeatureSet(pbmc, pattern = "^MT-")
pbmc[["percent.rb"]] <- PercentageFeatureSet(pbmc, pattern = "^RP[SL]")

# 可视化质控指标
VlnPlot(pbmc, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)

一个典型的质控标准是：