IF36.1｜流式细胞术实现超高规模细胞互作图谱

用流式细胞术同时测单细胞和物理互作细胞，成本低、通量高，可挖掘免疫治疗机制。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

细胞间物理互作是发育、组织稳态和免疫的基础。免疫系统尤其依赖瞬时细胞互作来整合信号并决定反应结果。单细胞基因组技术虽能解析细胞组成，但丢失空间信息；空间转录组和成像技术适合静态组织，难以研究血液等液体器官中的瞬时互作。已有单细胞转录组方法（如PIC-seq）可测物理互作细胞，但通量低、成本高、耗时长。因此，需要一种能大规模、低成本、快速定量所有免疫细胞类型间互作的方法。

科学问题

卡在哪里： 现有单细胞基因组学方法通量低、成本高，且通常局限于特定细胞类型；空间技术无法研究液体或半固体器官中的瞬时互作。流式细胞术虽能高通量检测细胞，但传统分析将多细胞事件当作噪音排除，缺乏系统框架来识别和定量细胞互作。

本文要回答： 开发一个基于流式细胞术的通用框架，能够同时绘制细胞组成图谱和物理互作图谱，并在免疫治疗和病毒感染模型中验证其应用价值。

技术路线

作者主要用了：流式细胞术、成像流式、Louvain聚类、Otsu阈值、UMAP、PICtR、PCA。

作者首先用CytoStim诱导PBMC形成T细胞-抗原呈递细胞互作，并用成像流式获得带图像标注的地面真值数据。通过特征重要性分析发现FSC-A/FSC-H比值（FSC ratio）是区分单细胞和多细胞事件的关键参数。进一步将FSC ratio与谱系标志物、散射参数一起纳入Louvain聚类，能同时识别互作细胞并注释其组成。基于此建立Interact-omics框架和配套R包PICtR，对高维流式数据进行预处理、草图采样、聚类和互作注释。

图 1　Fig. 1。图1展示了方法建立流程。a为实验设计和成像流式示例；b为决策树特征重要性排序，FSC ratio居首；c为重要特征热图，显示单细胞和多细胞事件在FSC ratio和谱系标志物上的差异；d和e比较不同分类策略的F1分数，证明聚类结合FSC ratio优于仅用FSC ratio。

核心亮点

亮点 1｜FSC ratio结合聚类精准识别互作细胞

在成像流式数据中，FSC ratio（FSC-A/FSC-H）是区分单细胞和多细胞事件的最重要特征。仅用Otsu阈值分割FSC ratio，F1分数为0.50-0.84；而将FSC ratio与细胞类型标志物、散射参数一起进行Louvain聚类后，再按FSC ratio对簇分类，F1分数显著提高，且无需图像特征即可达到与使用全部特征相当的性能。这证明常规流式数据足以准确识别互作细胞。

图 2　Fig. 2。图2展示人类PBMC 25-plex数据。a为UMAP，橙色为互作细胞；b为互作细胞UMAP；c为互作簇的标记富集热图；d为T细胞与抗原呈递细胞互作的Circos图，显示CytoStim处理后互作增强。

亮点 2｜Interact-omics解析抗原特异性互作

在OT-II小鼠CD4 T细胞与脾细胞共培养体系中，加入OVA抗原后，OVA特异性CD4 T细胞与多种抗原呈递细胞的互作频率显著增加，而旁观者细胞互作基本不变。在人类PBMC中，CytoStim处理导致T细胞亚群与抗原呈递细胞互作增加，且结果可重复。这表明该方法能区分抗原依赖和非依赖的细胞互作。

图 3　Fig. 3。图3展示CAR-T和blinatumomab实验。a为CAR-T实验设计；b和c为UMAP；d为有无CAR-T时互作细胞密度UMAP；e为B细胞与CAR-T或内源T细胞互作频率的配对分析，显示CAR-T互作显著富集。

亮点 3｜揭示CAR-T和双抗的互作动力学

在CAR-T与脾细胞共培养中，CD4和CD8 CAR-T细胞在1小时内迅速与CD19+ B细胞形成互作，随后逐渐下降。Blinatumomab处理人类PBMC后，B细胞与T细胞互作在1小时达到峰值，同时游离B细胞减少，提示快速结合后可能伴随细胞毒性。这些互作具有特异性，其他细胞类型间互作不受影响。

图 4　Fig. 4。图4展示B-ALL患者样本分析。a为实验设计；b为细胞景观UMAP；c为互作细胞UMAP及处理条件密度图，右侧柱状图显示blinatumomab处理与对照的互作倍数变化；d为应答者与无应答者特征比较；e-h为相关分析和机制图。

亮点 4｜互作特征关联B-ALL治疗反应

对42例复发B-ALL患者骨髓样本进行blinatumomab体外处理，比较良好应答者（n=18）和无应答者（n=4）。良好应答者中blinatumomab诱导的B-T细胞互作更强；T细胞与B细胞比例失衡或基线T-髓系互作高的患者，B-T互作诱导差，治疗失败。互作特征与单细胞频率特征相关性低，提供独立预后信息。

图 5　Fig. 5。图5展示LCMV感染实验。a为实验设计；b为单细胞UMAP和随时间/器官变化的冲积图；c为互作细胞UMAP和冲积图；d为单细胞和互作频率的PCA，显示器官和时间特异性变化。

亮点 5｜LCMV感染揭示器官特异性互作网络

在LCMV感染小鼠的脾、肠系膜淋巴结和骨髓中，共定量3400万单细胞和41.5万互作事件。感染后第3天，NK细胞与髓系细胞互作在骨髓中急剧增加，随后第7天HSPC和单核细胞扩增，提示从骨髓抑制转向紧急造血。LCMV特异性T细胞在脾和淋巴结中更易形成互作，而在骨髓中互作倾向低于非特异性T细胞。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 流式细胞术、成像流式、Louvain聚类、Otsu阈值、UMAP、PICtR、PCA
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 做免疫学、肿瘤免疫或药物研发，手头有流式数据或想设计新实验的人。

带走一句

流式数据中的多细胞事件不是垃圾，而是可挖掘的互作信息；用FSC ratio加聚类就能低成本、高通量地绘制细胞互作图谱。