Genome Biol丨王文漪（Wenyi Wang）团队开发DeMixNB，从稀疏RNA测序数据中解出肿瘤细胞的真实绝对量转录活性

肿瘤组织由恶性细胞、免疫细胞、成纤维细胞、内皮细胞等多种细胞共同构成，其转录组信号本质上是不同细胞群体混合后的结果。过去，研究者常用肿瘤纯度描述样本中肿瘤细胞所占比例， 却无法说明肿瘤细胞究竟贡献了多少 绝对量的 RNA信号 。 由于恶性细胞高度可塑，纯度相同的两个样本，肿瘤来源转录本占比可能截然不同。解卷积方法本可拆分这类混合信号，但现有工具大多针对测序深度较高的bulk RNA-seq设计，难以直接适用于miRNA测序和空间转录组这类计数稀疏、过度离散的数据。

近日，美国 德克萨斯大学MD安德森癌症中心 （ MD Anderson Cancer Center ） 生物信息与计算生物学系 王文漪（ Wenyi Wang ） 团队在 Genome Biology 发表题为Deconvolution of Sparse-count RNA Sequencing Data for Tumor Cells Using Embedded Negative Binomial Distributions的研究论文。 该研究提出了一个名为 DeMixNB 的半参考 (semi-reference-based) 解卷积模型，用嵌套的负二项分布之和刻画混合样本的计数分布，用于估计稀疏RNA测序数据中的肿瘤来源 转 录本占比（ π ）。与依赖肿瘤单细胞参考谱或预设标志基因的方法不同， DeMixNB 只需要非肿瘤参考样本（如癌旁组织、不含肿瘤细胞的spot），即可对未知的肿瘤组分进行建模。

图 1. DeMixNB 模型 框架

研究团队首先构建了一套专门用于 miRNA 解卷积评估的细胞系混合数据。实验中， HS-5 骨髓基质成纤维细胞分别与野生型 HCT116 结直肠癌细胞、 Dicer1 敲除 HCT116 细胞混合。在这套 39 个样本的基准数据中， DeMixNB 对真实肿瘤 miRNA 总量 占比的估计达到 RMSE = 0.1 、 CCC = 0.8 9 ，优于 同为半参考类的 DeMixT【1】（ RMSE/CCC = 0.22/0.56） 、 ISOpure【2】(0.14/0.87) 、 PREDE【3】(0.18/0.74) 以及 参考谱类的 DeconmiR【4】(0.23/0.64) 等方法。

随后，研究团队将 DeMixNB 应用于 TCGA 乳腺癌 miRNA-seq 数据 : 共分析 8 85 例患者样本，并利用 98 例邻近正常组织作为非肿瘤参考。结果显示，肿瘤来源 miRNA 占比在 PAM50 分型间存在显著差异，其中 Luminal A 亚型 中位值最低 ，样本间差异更大。在 Luminal A 患者中，肿瘤来源 miRNA 占比较高的患者无进展生存 显著 更差，且这一关联在校正临床分期和年龄后仍然存在。相比之下，基于 DNA 拷贝数推断的肿瘤纯度不能有效区分该亚型患者的预后。这说明肿瘤来源 miRNA 占比提供了肿瘤纯度之外的临床信息。进一步分析显示，肿瘤来源 miRNA 占比与肿瘤纯度只有中度相关，且整体高于肿瘤纯度，提示肿瘤细胞的 miRNA 产出通常高于非肿瘤细胞。 mRNA 数据的通路分析还显示，增殖、代谢、免疫和间质相关通路均发生改变，提示肿瘤来源 miRNA 总量 占比可能反映一种更广泛的肿瘤调控状态。

在空间转录组数据中， DeMixNB 进一步揭示了肿瘤细胞数量和肿瘤 RNA 贡献之间的局部差异。研究团队分析了一例 III 期肺腺癌 样本 和一例肺鳞癌 样本的 Visium 数据， 共解卷积 4,709个spot ：先用深度学习分割H&E图像得到每个spot的肿瘤细胞比例（ ρ ），再以不含肿瘤细胞的spot作参考估计转录本占比（ π ）。在可作比较的3,755个spot中，按 ρ-π 之差可分出 转录缺乏型 （ ρ-π > 0.4，细胞在、转录弱）和 转录富余型 （ ρ-π < 0）：两例样本中前者占 33.6%和22.9% ，后者占 24.4%和18.3% 。Moran's I显示两类spot都显著空间聚集（0.64与0.70， p < 0.001）。局部炎症水平（邻域内淋巴细胞占比）在转录缺乏区域显著更高；通路分析显示这些区域富集免疫激活与上皮间质转化，而转录富余区域偏向增殖与代谢。作者据此提出，局部免疫压力可能驱使部分肿瘤细胞进入低RNA产出、抗应激的状态，从而在炎性微环境中存活。

总的来说， DeMixNB 将 “ 肿瘤细胞占多少 ” 和 “ 肿瘤细胞贡献多少 RNA” 这两个概念区分开来，并在 miRNA 测序和空间转录组数据中证明，后者能够提供肿瘤纯度无法捕获的预后和空间生物学信息。该方法也为 piRNA 、 snoRNA 、 lncRNA 等其他低丰度 RNA 物种的解卷积分析提供了可扩展框架。目前， DeMixNB 已集成于 Bioconductor 的 DeMixT 2.0 R 包中 ，并附有专门教程 。

原文链接： https://doi.org/10.1186/s13059-026-04234-4

代码： https://github.com/wwylab/DeMixT

制版人：十一

参考文献

1. Wang Z, Cao S, Morris JS, Ahn J, Liu R, Tyekucheva S, et al. Transcriptome Deconvolution of Heterogeneous Tumor Samples with Immune Infiltration.iScience.2018;451–60. https://doi.org/10.1016/j.isci.2018.10. 028

2. Quon G, Haider S, Deshwar AG, Cui A, Boutros PC, Morris Q. Computational purification of individual tumor gene expression profiles leads to significant improvements in prognostic prediction.GenomeMed. 2013;5:29. https://doi.org/10.1186/gm433 .

3. Qin Y, Zhang W, Sun X, Nan S, Wei N, Wu H-J, et al. Deconvolution of heterogeneous tumor samples using partial reference signals.PLOSComputBiol.Public Library of Science; 2020; 16:e 1008452. https://doi.org/10.1371/journal.pcbi.1008452

4. Zhu S, Yang H, Liu J, Fu Q, Huang W, Chen Q, et al. An improved reference library and method for accurate cell-type deconvolution of bulk-tissue miRNA data.Nat Commun.Nature Publishing Group; 2025;16:5508 . https://doi.org/10.1038/s41467-025-60521-x

学术合作组织

（*排名不分先后）

推荐直播

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘