|
Cell Neighborhood（细胞邻域）概念来自 2020 年 7 月份发表在 Cell 杂志上的文献，标题为《Coordinated Cellular Neighborhoods Orchestrate Antitumoral Immunity at the Colorectal Cancer Invasive Front》，这项工作和研究思路，堪称细胞空间邻域研究的典范。 文献数据背景作者选择了 17 例 CLR 和 18 例 DII 患者的队列，在肿瘤浸润前构建免疫肿瘤微环境的组织芯片（图1B和1C）： CLR组：该组在肿瘤浸润前沿表现出大量三级淋巴组织（TLSs）的从头形成——“克罗恩样反应”（Crohn’s-like reaction，CLR）； DII组：这组定义为无 TLSs ，但存在弥漫性炎症浸润（diffuse inflammatory infiltration，DII）； 临床特征：CLR 组患者的总生存期远长于 DII 组患者。  细胞邻域（cellular neighborhoods）定义CN：细胞邻域（cellular neighborhoods、CNs），定义：We identified CNs as regions of the tissue with a specific local density of various CTs（cell types）。即空间切片组织中的一个区域，这个特定的区域由不同的细胞类型组成，这种区域可以反映一些特定的组织结构和生物学状态。 那这个区域如何划分呢，这是一个非常重要的点！下面是文章使用用了窗口进行的的一个定义： 窗口定义： For every cell in the tissue, its 10 nearest spatial neighbors, which we labeled its ''window,’’ were identified。 对于每一个细胞，他周围的10个最邻近的邻居，定义为一个区域单位。（为什么是10个细胞，不是5个，不是20个？先保留一下这个疑问。） CN识别示意图如下图A： CNs 的构建过程：
在 2023年7月19 号发表在 Nature 中的另一篇文献《Organization of the human intestine at single-cell resolution》，也采用了这样的分析策略，示意图如下：  识别9个不同的CNs识别后的CNs可以使用什么方式进行展示呢，如图B热图：
 如图C：CLR 和 DII 患者 CN 代表性 Vorsonoi 图，插页为H&E图像  图D &E：Voronoi 图显示代表性的患者33 (D)和19 (E)的9种不同的CNs（左面板）和相应的7色图像（右面板）。  图F：CLR 与 DII 患者的9种 CNs 频率差异。每个点代表每个患者四个 TMA 核的平均 CN 频率，水平线代表每个患者之间的平均频率（***表示 p < 0.001， Student’s t 检验）  图6A：TMA spots的Voronoi图示例。不同颜色表示不同CNs，CN中的点表示CD4+（左）和CD8+ T细胞（右）  图D：每个CN中CD4+ (FOXP3) T细胞、CD8+ T细胞和Treg细胞至少有一种功能标记(ICOS、Ki-67和PD-1)呈阳性的相对比例。 图E：CN-1、CN-2、CN- 4和CN-6中标记阳性CD4+ T细胞、CD8+ T细胞和Treg细胞的CN特异性CT频率的小提琴图。  结果说明：结直肠癌免疫肿瘤微环境的细胞邻域特征：在不同病人Group间具有保守性。从细胞形成的空间结构来观察患者样本，而不仅仅是单个细胞的集合，将为iTME的组织过程提供见解。 算法实现这个方法作者放在github上：https://github.com/nolanlab/NeighborhoodCoordination 需要有python基础，作者的代码也提供的比较详细，还有发表的这篇文献相关的脚本 paper_submission.zip  去看看吧~ 文末友情宣传强烈建议你推荐给身边的博士后以及年轻生物学PI，多一点数据认知，让他们的科研上一个台阶：
|
|
|
