1. 肝癌MVI研究的多组学整合分析背景
肝癌微血管侵犯（MVI）是影响患者预后的关键病理学特征，也是临床治疗决策的重要依据。传统单组学研究往往难以全面揭示MVI的复杂分子机制。这篇10分+的肝癌MVI研究通过整合bulk转录组、单细胞转录组和空间转录组数据，构建了多层次的分析框架，为肿瘤异质性和微环境互作研究提供了范式。
在肝癌领域，MVI阳性患者的5年生存率显著低于MVI阴性患者（约30% vs 60%）。既往研究多局限于bulk转录组的差异分析，无法解析肿瘤内不同细胞亚群的贡献，更难以定位恶性细胞与微环境的空间互作模式。该研究的创新性在于：
- 通过bulk转录组确定MVI相关差异表达基因（DEGs）的整体特征
- 利用单细胞转录组解析这些DEGs在特定细胞亚群的分布规律
- 结合空间转录组验证关键互作信号在组织原位的位置关系
2. 三组学数据采集与质控要点
2.1 bulk转录组实验设计
研究采用配对样本设计（肿瘤组织vs癌旁组织），每组至少30例样本以满足统计效力。关键质控指标包括：
- RNA完整性数（RIN）>7.0
- 28S/18S rRNA比值≥1.8
- 测序深度≥40M reads/样本
- Q30碱基占比>85%
差异分析采用DESeq2流程，重点关注|log2FC|>1且FDR<0.05的基因。建议同时使用limma-voom进行验证，特别是当样本存在明显批次效应时。
2.2 单细胞转录组实验方案
10x Genomics平台是当前主流选择，需注意：
- 细胞活性>85%（台盼蓝染色）
- 目标细胞捕获数5,000-10,000/样本
- 中位基因数>1,500/细胞
- 线粒体基因占比<20%
数据预处理推荐Seurat工作流：
r复制library(Seurat)
pbmc <- CreateSeuratObject(counts = pbmc.data)
pbmc[["percent.mt"]] <- PercentageFeatureSet(pbmc, pattern = "^MT-")
pbmc <- subset(pbmc, subset = nFeature_RNA > 200 & percent.mt < 25)
pbmc <- NormalizeData(pbmc)
pbmc <- FindVariableFeatures(pbmc, selection.method = "vst")
2.3 空间转录组技术选择
Visium芯片（6.5x6.5mm捕获区域）适合肝癌组织切片分析。实验关键点：
- 新鲜冷冻组织OCT包埋
- 切片厚度10μm
- 组织透化时间优化（通常8-12分钟）
- 每spot捕获≥1,000个UMI
空间数据与单细胞数据的整合可通过SPOTlight或Seurat的SpatialDeconvolution方法实现，建议先进行harmony批次校正。
3. 多组学整合分析技术路线
3.1 层次化分析框架
研究采用自顶向下的分析策略：
- bulk层面：WGCNA构建共表达网络，识别MVI相关模块
- 单细胞层面：CellPhoneDB分析配体-受体互作
- 空间层面：Giotto进行空间共定位验证
示例代码（WGCNA关键步骤）：
r复制library(WGCNA)
datExpr <- t(scale(t(count_data)))
powers <- c(c(1:10), seq(12, 20, 2))
sft <- pickSoftThreshold(datExpr, powerVector = powers)
net <- blockwiseModules(datExpr, power = sft$powerEstimate)
3.2 关键生物信息学工具
- 细胞注释：SingleR + CellMarker数据库
- 拟时序分析：Monocle3
- 细胞通讯：CellChat
- 空间热点检测：SpatialDE
特别注意：单细胞聚类分辨率建议设置为0.4-0.8，过高会导致过度分群。可通过clustree评估不同分辨率下的稳定性。
4. 研究逻辑与临床转化价值
4.1 分子机制发现路径
该研究通过三组学交叉验证，发现：
- bulk层面：ECM-receptor通路显著富集
- 单细胞层面：TAMs中SPP1高表达
- 空间层面：肿瘤边缘区SPP1-CD44互作热点
这种多角度证据链增强了发现的可信度。建议研究者制作类似下表展示关键发现：
| 分析层次 | 主要发现 | 验证方法 |
|---|---|---|
| bulk转录组 | COL1A1上调 | IHC |
| 单细胞转录组 | SPP1+ TAM亚群 | 流式分选 |
| 空间转录组 | 肿瘤-基质界面信号 | 多重荧光 |
4.2 临床意义挖掘技巧
- 预后模型构建：采用lasso-Cox回归筛选特征基因，避免过拟合
- 药物预测：使用CMap分析潜在靶向化合物
- 治疗抵抗：拟时序分析揭示耐药相关转录状态
特别注意：转化研究需包含独立验证队列（至少100例），建议使用TCGA-LIHC等公共数据集补充。
5. 研究生学习建议与避坑指南
5.1 文献精读方法
- 第一遍：速览图表标题，理解分析框架
- 第二遍：重点研究方法部分，记录技术参数
- 第三遍：思考"为什么选择这种分析方法"
- 建立自己的分析流程checklist
5.2 常见问题解决方案
- 单细胞数据批次效应：harmony整合前建议先进行SCTransform标准化
- 空间转录组低分辨率：结合H&E染色手动注释关键区域
- 多组学结果不一致：检查样本匹配性，考虑技术偏差
5.3 高效分析技巧
- 使用conda管理生物信息学软件环境
- 关键分析步骤保存R Markdown报告
- 原始数据备份遵循3-2-1原则（3份拷贝，2种介质，1份异地）
这种多组学研究范式同样适用于其他实体瘤研究，关键是根据具体科学问题调整组学组合策略。比如神经肿瘤可加入甲基化组，而免疫治疗研究应侧重TCR/BCR库分析。