血液肿瘤作为一类起源于造血系统或淋巴系统的恶性疾病,涵盖白血病、淋巴瘤、骨髓瘤等多个亚型,其诊疗过程长期面临分型模糊、治疗响应不佳、耐药复发率高等核心难题。传统检测技术难以捕获细胞异质性与分子层面的动态变化,导致精准诊疗举步维艰。近年来,单细胞测序技术的崛起为血液肿瘤研究带来革命性突破,尤其是端到端单细胞测序方案凭借高分辨率、高通量的优势,在肿瘤分型、治疗优化、耐药机制解析等方面展现出巨大潜力。本文结合最新研究成果,深度解析单细胞测序在血液肿瘤诊疗中的应用价值与发展前景。
血液肿瘤临床诊疗的现实困境
当前血液肿瘤临床诊疗面临三大困境,首先其分型复杂,精准诊断难度大,像急性髓系白血病(AML)、急性淋巴细胞白血病(ALL)、多发性骨髓瘤(MM)等血液肿瘤亚型繁多且高度异质,传统分型方法存在局限性,罕见亚型或混合型易混淆诊断,且无法全面覆盖分子标志物,导致临床常因分型不准出现部分患者疗效不佳。其次CAR-T治疗瓶颈待突破,该疗法虽为复发难治性患者带来希望,但在AML等疾病中因缺乏特异性肿瘤抗原靶点、肿瘤微环境影响细胞活性及存在细胞因子风暴等安全性问题应用受限。最后,血液肿瘤耐药与复发机制不明,肿瘤细胞可通过基因变异,转录可塑性等多种方式逃避药物攻击,而传统技术难以捕获稀少耐药细胞亚群的分子特征,如AML患者化疗后残留的干细胞样肿瘤细胞。
单细胞测序:
血液肿瘤诊疗的技术革新
单细胞测序技术打破了传统测序“平均化” 的局限,能够在单个细胞水平上,无偏倚地分析解析基因表达、基因突变、染色质可及性等多维度分子信息,为血液肿瘤研究提供全新视角。其核心优势体现在以下三个方面:
一
高分辨率的细胞异质性分析
血液肿瘤并非由单一类型的细胞组成,而是由多种细胞亚群构成的复杂生态系统。这些不同的细胞亚群在生物学特性和功能上存在显著差异。单细胞测序技术以其高分辨率的优势,能够对单个细胞进行精细的测序分析,从而深入揭示细胞之间的异质性。通过全面分析单个细胞的基因表达谱、基因组变异和表观遗传修饰等多维度信息,单细胞测序技术可以精确地识别出不同的细胞亚群,并深入探究它们在肿瘤发生发展过程中的关键作用。以AML为例,研究发现AML中存在一群具有干细胞特性的白血病细胞,这些细胞不仅具有更强的自我更新能力,还表现出较高的耐药性,是导致疾病复发的关键因素[1]。单细胞测序技术可以精准地分离和分析这些干细胞亚群,为靶向治疗提供有力依据,从而有望改善AML的治疗效果和患者预后。
二
全面的基因组和转录组分析
单细胞测序技术的一大优势在于其能够同时对基因组和转录组进行分析,从而提供全面且深入的分子信息。目前单细胞RNA测序技术相对成熟,在单细胞RNA测序的数据中能够检测单个细胞的基因突变、获得拷贝数变异和染色体结构异常等多种变异类型的评估。这些基因组变异是血液肿瘤发生发展的基础,同时也对治疗反应产生重要影响。例如,TP53基因突变在AML中较为常见,且与预后不良密切相关。单细胞测序技术可以精准地检测出TP53突变的细胞亚群及其在肿瘤中的分布情况,为临床治疗决策提供关键信息[2]。在转录组水平上,单细胞测序技术能够揭示单个细胞的基因表达谱,从而发现新的生物标志物和治疗靶点。如受体酪氨酸激酶家族成员ROR1,其在多种血液恶性肿瘤中呈异常过表达状态,与肿瘤的发生、发展以及耐药性密切相关,单细胞测序技术通过锁定⾼表达ROR1的细胞群体及相关调控通路,为临床开发靶向药物、评估治疗效果提供了关键分子线索[3]。
三
动态监测肿瘤细胞的演化
血液肿瘤在治疗过程中会发生动态变化,肿瘤细胞会通过适应性进化来逃避药物的压力。单细胞测序技术可以动态监测肿瘤细胞的演化过程,深入了解耐药细胞的起源和演化路径。通过对不同治疗时间点的单细胞测序分析,可以发现耐药细胞的基因组和转录组特征,并揭示其耐药机制。例如,在慢性髓性白血病中,单细胞测序技术发现耐药细胞往往具有特定的基因突变和基因表达谱,这些特征可以作为预测耐药和优化治疗方案的依据[4]。此外,单细胞测序技术还可以用于监测肿瘤细胞在体内的分布和转移情况,为疾病的早期诊断和治疗提供重要信息,有助于实现对血液肿瘤的精准监测和个性化治疗。
单细胞测序在血液肿瘤中的
三大应用场景
一
高精度分型,指导精准用药
传统分型无法区分同一患者中不同恶性克隆的分子特征,而单细胞测序通过对骨髓或外周血样本进行全景式分析,可精确识别具有不同生物学行为的细胞亚群,为个体化治疗提供核心指导。这⼀技术优势已在多项权威研究中得到证实,并推动血液肿瘤诊疗向精准化迈进。
《Nature Medicine》的一项研究通过对千余名AML患者数据构建单细胞参考图谱,揭示了白血病细胞的层次结构,并建立了与化疗及靶向治疗反应相关的分子分型新框架[5]。类似地,在MM领域,《Haematologica》的研究通过单细胞技术明确,IgD型MM在转录组、免疫组及肿瘤微环境层面均与其他亚型存在显著差异,且更适合来那度胺联合维奈克拉方案,而需谨慎使用硼替佐米[6]。这种精准分型不仅提升了临床诊断效率,更直接优化了治疗方案的选择。Mehmet等人发表于《Blood》的综述则进一步指出,单细胞分析为理解MM克隆进化、转录重编程、耐药机制及微环境特征提供了关键认知,这些发现正逐步转化为临床实践(图1)[7]。
图1 使用来自骨髓、血液或骨髓外病变的细胞以及单细胞平台来验证各种假说的研究概念总览
进一步而言,单细胞技术的价值不仅在于描述细胞状态,更在于解析基因调控的功能机制。例如,Greenwood等人采用eCROPseq(单细胞CRISPR筛选结合RNA测序)技术,在人类髓系细胞中实现了单细胞水平的功能基因组学筛选。该研究证实,许多基因表达调控信号并非由单一变异驱动,而是由多个SNP构成的单倍型共同作用[8]。这一发现揭示了血液肿瘤遗传调控的深层复杂性,提示仅关注单一“热点”突变可能不足以完全阐释疾病机制。
然而,此类功能筛选技术通常依赖体外细胞培养与病毒转导,对原代肿瘤细胞——尤其是稀有干细胞亚群——损伤显著、存活率低,易造成关键生物学信息丢失。对此,Illumina Single Cell Prep(ISCP)建库方案展现出独特优势:其灵活、温和的样本处理流程,特别是针对细胞核测序的优化,可直接分析冻存或难处理的骨髓样本,最大限度降低细胞损伤,高效捕获包括稀有干细胞在内的更多种类的细胞亚群。不仅如此,未来将上市的Illumina Single Cell CRISPR Prep可在百万细胞量级上直接识别CRISPR sgRNA骨架序列,实现mRNA与gRNA的双重捕获。另外ISCP具有低多胞率的特征,减少了CRISPR结合单细胞测序特有的数据分析挑战。
凭借增强的单次检测高达100万细胞级别的可扩展性、无需额外昂贵设备的简化工作流程、与基因测序仪的无缝集成、更低成本以及高度灵活的实验设计,ISCP结合CRISPR技术将有力推动功能筛选研究,促进功能性发现向临床价值的快速转化。
二
解析CAR-T细胞状态,优化免疫治疗
CAR-T疗法在AML等髓系血液肿瘤中疗效有限,其瓶颈之一在于难以动态掌握CAR-T细胞在体内的功能状态、耗竭轨迹及其与肿瘤微环境的相互作用。单细胞组学能够动态解析CAR-T细胞在体内的功能状态、异质性及其与肿瘤微环境的复杂互作,帮助识别与疗效密切相关的关键细胞亚群和调控机制,从而为CAR-T疗法的优化和个体化免疫治疗策略提供科学依据。Navin Varadarajan团队在《Nature Cancer》上的一项研究通过包含单细胞组学在内的多组学动态分析,揭示了弥漫性大B细胞淋巴瘤患者中CD19特异性CAR-T细胞的异质性。研究整合了细胞的功能、表型、转录谱和代谢特征,最终确定并验证了一个称为CD8-fit T细胞的亚群,该亚群与CAR-T治疗的临床效果密切相关(图2)[9]。
图2 CD8-fit的分子谱与单细胞RNA测序揭示的临床反应相关。
此外,肿瘤微环境中的髓系细胞等组分也可能通过细胞特异性信号影响CAR-T功能。正如Greenwood等人所示,同一基因在不同髓系细胞中编辑可产生迥异的表达效应[8],提示TME的细胞构成对治疗响应具有调控潜力。然而,全面绘制CAR-T与TME的互作网络,需捕获包括稀有免疫细胞在内的全部组分,传统单细胞方案在通量灵活性上存在限制,难以兼顾成本与细胞覆盖度。ISCP测序方案凭借其灵活通量设计,可支持在早期筛选阶段采用低通量进行经济、快速的功能验证;在深入机制阶段则转为高通量模式,实现对全TME细胞群体的深度测绘。这种“可伸缩”的通量策略,使CAR-T研究与临床转化更高效、更具性价比。
三
追踪细胞演化轨迹,揭示耐药机制
肿瘤耐药与复发通常由少数细胞亚群在药物压力下通过适应性进化驱动,传统批量测序难以捕捉此类动态过程。单细胞技术则能够高分辨率地“回放”细胞演化轨迹,识别耐药亚群并解析其分子基础。例如,《Nature Cancer》上一项针对T-ALL的研究通过对40例T-ALL患者的单细胞多组学分析,结合健康儿童造血发育图谱,成功构建了一个多组学图谱。研究通过轨迹分析发现了一种类似于骨髓祖细胞(BMP)的白血病亚群,与治疗失败和预后不良密切相关。该亚群的分子标志物能够预测多种T-ALL亚型的不良结果,并揭示了NOTCH1突变在推动T-ALL细胞远离BMP样状态中的作用。此外,通过计算机模拟和体外药物筛选,研究团队还发现了针对BMP样细胞的潜在治疗靶点,包括BCL-2抑制剂维奈托克。这些发现进一步证实了BMP样细胞的耐药性,并为T-ALL开发新的精准治疗策略提供了新的思路潜在靶点(图3)[10]。
图3 参照人类造血,T-ALL亚型的停滞状态
另外,《Nature Communication》上的一项研究通过单细胞转录组测序,系统描绘了AML患者对BCL-2抑制剂venetoclax的原发性和获得性耐药情况。研究整合13例患者样本,利用拟时序分析重建耐药演化轨迹,发现CD36高表达与氧化磷酸化通路激活是耐药核心机制[11]。单细胞轨迹推断显示,耐药细胞沿代谢重编程路径演化,从糖酵解依赖转向脂肪酸氧化供能,该发现揭示了代谢可塑性在耐药中的驱动作用,为联合靶向代谢通路克服耐药提供了理论依据。
精准追踪细胞演化路径依赖高质量的全转录本信息,而传统液滴式单细胞技术因mRNA捕获效率受限,对长转录本及低丰度基因检出灵敏度不足,可能导致关键分子事件遗漏。相较之下,ISCP单细胞建库方案采用更温和的细胞捕获策略,能够覆盖更完整的细胞亚型谱系,结合轨迹分析可构建更清晰准确的细胞演化图景,为深入解析细胞演化驱动的耐药机制提供了稳健可靠的技术平台。
多组学联合:
单细胞测序的未来方向
血液肿瘤诊疗正从“经验医学”向“精准医学”转型,单细胞测序技术凭借其高分辨率、无偏倚和高通量优势,在肿瘤异质性解析、治疗策略优化和耐药机制探索中展现出重要价值。然而,技术发展的下一阶段,其价值不仅在于“看得更细”,更在于“看得更透”。通过整合单细胞转录组与空间定位、表观遗传、蛋白表达等多维信息,能够系统构建疾病的动态全景视图。这种多组学融合的研究策略,超越了单一的细胞图谱,真正揭示了肿瘤细胞在特定微环境中的动态演变,以及其与免疫细胞和基质细胞之间的复杂相互作用。最终为精准诊断和个性化治疗方案的制定提供了更为坚实和全面的科学依据。
在这一技术演进过程中,Illumina单细胞全流程服务为研究者提供了系统化的支持:
01
强大的可拓展性:核心单细胞技术能够与空间生物学、表观遗传学等多组学方案无缝衔接,满足从基础研究到临床验证的多样化需求。
02
便捷的数据分析:借助DRAGEN服务器的强大分析能力和Illumina Connected Multiomics (ICM)软件的直观界面,即使是非生物信息学背景的用户,也能轻松完成从原始数据到可视化结果的完整分析。
03
灵活的方案设计:支持从大队列图谱构建到精细化机制探索的各类研究设计,提供高效且经济的个性化解决方案。
展望未来,单细胞多组学技术正在重塑我们对血液肿瘤生物学的理解,推动研究范式从“群体平均”向“细胞精准”转变。以Illumina为代表的集成化技术平台,为从细胞层面的洞察向临床诊疗策略的转化提供了关键工具。这些技术不仅加速了基础研究的突破,更为临床应用提供了切实可行的路径,有望在未来进一步提升血液肿瘤的精准诊疗水平,改善患者的治疗效果和生活质量。
参考文献:(滑动查看)
1.Ma X, Li Y, Wang D, Niu J, Li Q, Chen Y, Wang M, Wen J, Liao C, Wang N, Zhang X, Chang J, Yang J, Li L, Zou J, Peng D, Liu L. PSMB10 maintains the stemness of chemotherapeutic drug-resistant leukemia cells by inhibiting senescence and cytotoxic T lymphocyte-mediated killing in a ubiquitinated degradation manner. J Exp Clin Cancer Res. 2025 Jun 3;44(1):170. doi: 10.1186/s13046-025-03420-9. PMID: 40462177.
2.Semba Y, Yamauchi T, Bauer DE, Ogawa S, Akashi K, Maeda T. The XPO7-NPAT axis represents key vulnerabilities in TP53-mutated acute myeloid leukemia. Blood. 2025 Oct 29:blood.2025028918. doi: 10.1182/blood.2025028918. Epub ahead of print. PMID: 41160778.
3.Tigu AB, Munteanu R, Moldovan C, Rares D, Kegyes D, Tomai R, Moisoiu V, Ghiaur G, Tomuleasa C, Einsele H, Gulei D, Croce CM. Therapeutic advances in the targeting of ROR1 in hematological cancers. Cell Death Discov. 2024 Nov 17;10(1):471. doi: 10.1038/s41420-024-02239-1. PMID: 39551787.
4.Krishnan V, Schmidt F, Nawaz Z, Venkatesh PN, Lee KL, Ren X, Chan ZE, Yu M, Makheja M, Rayan NA, Lim MGL, Cheung AMS, Bari S, Chng WJ, Than H, Ouyang J, Rackham O, Tan TZ, Hwang WYK, Chuah C, Prabhakar S, Ong ST. A single-cell atlas identifies pretreatment features of primary imatinib resistance in chronic myeloid leukemia. Blood. 2023 Jun 1;141(22):2738-2755. doi: 10.1182/blood.2022017295. PMID: 36857629.
5.Zeng AGX, Bansal S, Jin L, et al. A cellular hierarchy framework for understanding heterogeneity and predicting drug response in acute myeloid leukemia. Nat Med. 2022 Jun;28(6):1212-1223. doi: 10.1038/s41591-022-01819-x. Epub 2022 May 26. PMID: 35618837.
6.Luo T, Zhou X, Chen X, et al. Single-cell analysis unveils distinct transcriptional alterations and cellular origins in IgD multiple myeloma. Haematologica. 2025 Oct 30. doi: 10.3324/haematol.2025.288418. Epub ahead of print. PMID: 41163585.
7.Samur MK, Szalat R, Munshi NC. Single-cell profiling in multiple myeloma: insights, problems, and promises. Blood. 2023 Jul 27;142(4):313-324. doi: 10.1182/blood.2022017145. PMID: 37196627.
8.Greenwood E, Cao M, Lee CM, et al. Haplotype rather than single causal variants effects contribute to regulatory gene expression associations in human myeloid cells. bioRxiv [Preprint]. 2025 Jan 30:2025.01.30.635675. doi: 10.1101/2025.01.30.635675. PMID: 39975189.
9.Rezvan A, Romain G, Fathi M, et al. Identification of a clinically efficacious CAR T cell subset in diffuse large B cell lymphoma by dynamic multidimensional single-cell profiling. Nat Cancer. 2024 Jul;5(7):1010-1023. doi: 10.1038/s43018-024-00768-3. Epub 2024 May 15.
10.Xu J, Chen C, Sussman JH, et al. A multiomic atlas identifies a treatment-resistant, bone marrow progenitor-like cell population in T cell acute lymphoblastic leukemia. Nat Cancer. 2025 Jan;6(1):102-122. doi: 10.1038/s43018-024-00863-5. Epub 2024 Nov 25. PMID: 39587259.
11.Wegmann, R., Bonilla, X., Casanova, R. et al. Single-cell landscape of innate and acquired drug resistance in acute myeloid leukemia. Nat Commun 15, 9402 (2024). doi: 10.1038/s41467-024-53535-4.
本文转自测序中国公众号
.