基于DNA甲基化的胶质母细胞瘤单细胞表观遗传分类体系
小赛推荐：
该研究为胶质母细胞瘤的异质性解析提供了可临床转化的计算框架，对 GBM 分子分型与微环境解析具有重要指导意义。
文献概述
本文《A cellular epigenetic classification system for glioblastoma》，发表于《Neuro-Oncology》杂志，系统探讨了如何通过DNA甲基化数据实现胶质母细胞瘤（GBM）的单细胞分辨率表观遗传分类。作者开发了ITHresolveGBM方法，结合非负矩阵分解与单细胞多组学数据整合，揭示了肿瘤内异质性与微环境成分的关联。该研究不仅解决了低肿瘤纯度样本的分类难题，还统一了RNA与甲基化分型系统，为临床诊断提供了新路径。背景知识
胶质母细胞瘤（GBM）是成人最常见的原发性恶性脑肿瘤，其高度异质性是治疗抵抗和预后不良的核心原因。目前基于TCGA的转录组分型（如proneural、classical、mesenchymal）与基于甲基化的分型（如MES、RTK-I/II）存在不一致，导致临床判读困难。此外，IDH-wildtype GBM的微环境浸润（如microglia、T细胞、astrocyte）显著干扰甲基化信号，使低纯度样本难以分类。研究瓶颈在于缺乏兼顾恶性细胞状态与微环境组成的统一解析工具。本研究通过开发ITHresolveGBM，实现了从bulk甲基化数据中反卷积出malignant cell states与immune infiltration，解决了这一技术缺口，为GBM heterogeneity研究提供了新范式。
研究方法与核心实验
作者采用层次化非负矩阵分解（NMF）策略，构建ITHresolveGBM模型，利用TCGA、Heidelberg队列及自产甲基化数据（Illumina 450k/EPIC芯片）进行训练与验证。模型首先在健康脑组织、低纯度GBM与高纯度GBM样本中识别非恶性成分（immune、glial、neuronal），再在高纯度GBM中解析三种恶性状态（Malignant 1/2/3）。通过整合scDNAme与scRNA-seq多组学数据，验证了NMF组分与已知细胞状态（如NPC-like、OPC-like、AC-like、MES-like）的对应关系。伪bulk模拟与匹配样本验证显示，该方法能准确反卷积细胞组成（Jensen-Shannon divergence < 0.1）。进一步应用in-silico purification策略去除微环境信号，实现了对原不可分类样本的重新分型。关键结论与观点
研究意义与展望
该研究为GBM的分子分型提供了可推广至临床的计算工具，解决了低纯度样本分类难题，提升了诊断准确性。其揭示的“干细胞样-分化”连续体为靶向肿瘤可塑性的治疗策略提供了理论依据。
从科研视角看，ITHresolveGBM可广泛应用于回顾性队列重分析，挖掘既有甲基化数据的单细胞信息。结合MGMT启动子甲基化状态，有望优化预后模型。
结语
本研究通过开发ITHresolveGBM，实现了从bulk DNA甲基化数据中解析GBM细胞异质性的突破。该方法不仅澄清了MES亚型的免疫驱动本质，还统一了RNA与甲基化分型系统，揭示了恶性细胞分化连续体与EGFR、PDGFRA等驱动事件的关联。其在低纯度样本中的成功应用，显著提升了分子诊断的覆盖范围。从实验室到临床，该框架为GBM患者提供了更精准的分型工具，有助于个体化治疗策略的制定。未来结合纵向与空间组学数据，有望进一步揭示肿瘤演化路径，为靶向肿瘤微环境与细胞状态转换的联合治疗提供新思路。该研究标志着GBM异质性研究从描述性分析迈向机制驱动的精准分类新阶段。
