Cancer Research
CellFuse实现单细胞与空间蛋白质组多模态整合用于癌症系统分析
小赛推荐：
该研究为 肿瘤微环境 研究提供了跨技术平台的标准化整合策略，尤其适用于多中心临床队列中稀有免疫和恶性细胞亚群的精准识别与功能解析。
文献概述
本文《CellFuse Enables Multimodal Integration of Single-Cell and Spatial Proteomics Data for Systems-Level Analysis in Cancer》，发表于《Cancer Research》杂志，系统探讨了如何通过深度学习框架实现基于抗体的单细胞与空间蛋白质组数据的无缝整合。作者团队开发了CellFuse，一种基于监督对比学习的跨模态整合工具，旨在解决传统方法在低维蛋白质标记重叠不足情况下的性能瓶颈。该方法不仅实现了高精度细胞类型注释，还保留了肿瘤生态系统中关键的稀有细胞群体结构，为后续机制研究与临床转化提供了稳健的数据基础。背景知识
当前癌症研究面临的核心挑战之一是解析复杂的肿瘤微环境异质性，尤其是在免疫细胞浸润、基质相互作用与恶性克隆演化层面。尽管单细胞RNA测序（scRNA-seq）已广泛应用，但其对低丰度信号蛋白（如CD34、CD57、FOXP3）检测存在技术噪音和数据稀疏性问题。相比之下，基于质谱流式（CyTOF）或CITE-seq的蛋白质组测量更稳定且功能相关性强，但不同平台间共享标记有限，导致跨实验整合困难。现有整合算法如Seurat、Harmony等依赖大量转录组特征，在蛋白质数据上常出现批次效应残留或生物信号失真。此外，空间蛋白质组技术（如CODEX、MIBI-TOF）虽保留组织结构信息，却缺乏高通量参考注释体系。因此，亟需一种能泛化于多种蛋白质检测平台、具备强鲁棒性的整合方法。CellFuse正是针对这一痛点提出，通过构建共享嵌入空间，实现从悬浮细胞到组织切片的跨模态注释传递，显著提升对Tregs、CAR-T细胞等关键免疫亚群的识别能力。
研究方法与核心实验
作者采用三阶段深度学习框架：第一阶段基于监督对比学习训练编码器，利用已知细胞类型的参考数据（如CyTOF或CITE-seq）构建类别原型嵌入空间；第二阶段将未注释的查询数据（包括不同技术来源的单细胞或空间数据）投影至该空间，并通过kNN分类完成细胞类型预测；第三阶段通过主成分对齐实现分布校正，确保整合后数据保留生物学结构的同时消除平台偏差。实验验证涵盖多个真实世界数据集，包括骨髓（BM）、外周血（PBMC）、CAR-T治疗队列、结肠癌与乳腺癌组织样本。在BM和PBMC数据中，CellFuse在生物保真度（NMI、ARI）与批次混合（iLISI、BRAS）指标上均优于scVI、Harmony、Seurat等主流工具，尤其在稀有细胞群（如pDCs、plasmablasts）识别上表现突出。
在临床相关性验证中，作者应用CellFuse整合axi-cel CAR-T治疗前后PBMC的CyTOF与CITE-seq数据，成功识别出与疾病进展相关的CD4+Helios+CD57− Treg样细胞群，并通过FACS分选验证其表型一致性。进一步在B-ALL患者中，利用健康骨髓作为参考，预测CD19阴性复发患者中Pro-BII细胞的IKZF1低表达与干细胞样特征，揭示抗原逃逸机制。关键结论与观点
研究意义与展望
该研究为癌症系统生物学提供了首个专为蛋白质组设计的多模态整合框架，突破了传统转录组中心主义的局限。其在CAR-T治疗响应预测中的成功应用，凸显了在动态免疫监控中的转化潜力，未来可拓展至液体活检与微小残留病灶（MRD）追踪。
从药物开发角度看，CellFuse能够系统描绘治疗前后免疫景观变化，助力识别耐药相关细胞状态，为联合疗法设计提供靶点线索。同时，其对空间微环境的解析能力可支持新型双特异性抗体或肿瘤疫苗的机制验证。
结语
CellFuse代表了单细胞与空间蛋白质组数据分析的重大进步，尤其在处理低维、跨平台数据时展现出卓越的稳定性与准确性。它不仅解决了当前肿瘤微环境研究中因技术异质性导致的数据整合难题，更通过高保真重建稀有免疫和恶性细胞亚群，为理解免疫逃逸、抗原丢失和治疗抵抗机制提供了新视角。从实验室到临床，该工具可广泛应用于CAR-T、双抗等免疫治疗的机制研究与生物标志物发现，助力实现精准免疫监测。其开源性质也鼓励社区扩展至其他疾病领域，如自身免疫病或感染性疾病。未来结合AI驱动的表型预测模块，有望构建端到端的智能分析流水线，加速从单细胞数据到临床决策的转化路径，成为支撑下一代癌症免疫治疗研究的基石工具。
