Neue Berechnungsmethode verknüpft einzelne Zellen mit Patientenergebnissen

Eine Berechnungsmethode namens scSurv, die von Forschern am Institute of Science Tokyo entwickelt wurde, verknüpft einzelne Zellen mit den Patientenergebnissen unter Verwendung allgemein verfügbarer Massen-RNA-Sequenzierungsdaten. Der Ansatz verwendet Einzelzell-Referenzdatensätze zusammen mit Patientenüberlebensdaten, um auf die Beiträge einzelner Zellen in komplexen Geweben zu schließen. Das Modell identifizierte Zellpopulationen, die mit dem Überleben verschiedener Krebsarten verbunden sind, und bot eine Möglichkeit, krankheitsauslösende Zellen aufzudecken und die Entwicklung gezielterer Behandlungsstrategien zu unterstützen.

Was wäre, wenn Wissenschaftler die genauen Zellen identifizieren könnten, die für die Entstehung einer Krankheit verantwortlich sind? In einem Tumor beispielsweise gibt es Tausende einzelner Zellen, von denen jede eine einzigartige Rolle dabei spielt, das Fortschreiten der Krankheit voranzutreiben oder einer Therapie zu widerstehen. Die Identifizierung, welche Zellen Krankheiten fördern und welche dabei helfen, sie zu bekämpfen, könnte als Leitfaden für zukünftige Behandlungsstrategien dienen.

Eine solche Analyse auf Einzelzellebene wird nun durch Fortschritte bei Einzelzell-Sequenzierungstechnologien möglich, die es Forschern ermöglichen, die Genexpression einzelner Zellen zu messen und Einblicke in deren Verhalten und Funktion zu gewinnen. Durch die Verknüpfung dieser zellulären Informationen mit den Patientenergebnissen können Forscher beginnen zu verstehen, wie einzelne Zellen den Krankheitsverlauf beeinflussen.

Allerdings sind Datensätze, die Einzelzellinformationen mit klinischen Ergebnissen kombinieren, noch relativ begrenzt. Im Gegensatz dazu sind große Mengen an Ribonukleinsäure (RNA)-Sequenzierungsdaten aus Geweben, die eine Vielzahl von Zellen enthalten, weit verbreitet.

Forscher des Institute of Science Tokyo (Science Tokyo), Japan, haben eine Berechnungsmethode entwickelt, die Einzelzell-RNA-Sequenzierungsdaten als Referenz verwendet, um die Anteile und Beiträge einzelner Zellen aus Massen-RNA-Sequenzierungsdaten abzuschätzen und zu bestimmen, wie sie die Patientenergebnisse beeinflussen können. Ihr Modell namens scSurv könnte dabei helfen, personalisiertere Behandlungsstrategien zu entwickeln.

Die Methode wurde am 22. Dezember 2025 online verfügbar gemacht und in Band 42, Ausgabe 1 der Zeitschrift veröffentlicht Bioinformatik am 13. Januar 2026, und seine Implementierung ist auch als Open-Source-Python-Paket auf GitHub und Zenodo verfügbar.

Die Forschungsgruppe wurde von Professor Teppei Shimamura und der Doktorandin Chikara Mizukoshi vom Department of Computational and Systems Biology, Division of Biological Data Science, Medical Research Laboratory, Institute for Integrated Research, Science Tokyo, zusammen mit Dr. Yasuhiro Kojima, Leiter des Laboratory of Computational Life Science, National Cancer Center Research Institute, Japan (und einem angeschlossenen Forscher derselben Abteilung in Science Tokyo) geleitet.

Wir präsentieren die erste Methode zur Quantifizierung des Beitrags einzelner Zellen zu klinischen Ergebnissen. Die Methode identifiziert prognostisch relevante Zellpopulationen und zugehörige Gene mit potenziellen Anwendungen bei der Entdeckung therapeutischer Ziele und der Identifizierung von Biomarkern und bietet so eine Grundlage für die Präzisionsmedizin unter Nutzung bestehender Massen-RNA-Sequenzierung und klinischer Datensätze.“

Professor Teppei Shimamura, Abteilung für Computer- und Systembiologie, Abteilung für biologische Datenwissenschaft, medizinisches Forschungslabor, Institut für integrierte Forschung, Science Tokyo

scSurv verwendet Einzelzell-RNA-Sequenzierungsdaten als Referenz, um RNA-Sequenzierungsdaten aus Massenproben zu entfalten und die Anteile latenter Zellzustände abzuschätzen, bei denen es sich um Gruppen von Zellen mit ähnlichen Genexpressionsmustern handelt, die in jeder Probe vorhanden sind. Die Beiträge dieser Zellzustände werden dann mithilfe eines erweiterten Cox-Proportional-Hazards-Modells, das Patientenüberlebensdaten berücksichtigt, mit den Patientenergebnissen verknüpft. Diese Überlebensanalysemethode schätzt, wie stark jeder Zellzustand zum klinischen Risiko beiträgt. Das Modell ordnet diese Risikobeiträge dann wieder den einzelnen Zellen zu, die zu diesen Zuständen gehören, um daraus ihren Einfluss auf die Patientenergebnisse abzuleiten.

Nach dem Training war das Modell in der Lage, den Beitrag von mehr als 10.000 einzelnen Zellen zum Krankheitsrisiko und zur Prognose abzuschätzen. Es kann auch Gene identifizieren, die mit dem Fortschreiten der Krankheit in Zusammenhang stehen, und verschiedene Regionen innerhalb von Geweben entsprechend ihrem potenziellen klinischen Risiko kartieren.

Mithilfe von Daten aus dem Krebsgenomatlas konnte das Modell das Überleben von Patienten bei mehreren Krebsarten erfolgreich vorhersagen, einschließlich Patienten, deren Daten während des Trainings nicht verwendet wurden. Die Methode identifizierte auch einzelne Zellen, die mit den Ergebnissen des Patienten bei Melanomen in Zusammenhang stehen, und entdeckte Immunzellen, sogenannte Makrophagen, die bekanntermaßen mit unterschiedlichen Überlebensergebnissen verbunden sind. Die Forscher konnten auch das Risiko von Tumorgewebe kartieren, das von Nierenzellkarzinomen, einer Art von Nierenkrebs, betroffen ist, und dabei Regionen aufdecken, die mit einem höheren oder niedrigeren Risiko verbunden sind. Die Forscher testeten den Ansatz auch anhand von Datensätzen zu Infektionskrankheiten und unterstrichen seine Vielseitigkeit für die Untersuchung von Krankheiten, die über Krebs hinausgehen.

„Diese Ergebnisse legen nahe, dass scSurv zu einer fortgeschritteneren klinischen Ergebnisanalyse und zur Entdeckung therapeutischer Ziele beitragen könnte“, sagt Prof. Shimamura.

Durch die Untersuchung der Beiträge einzelner Zellen zur Krankheit können Forscher ein besseres Verständnis der Krankheitsmechanismen auf zellulärer Ebene erlangen und so letztendlich die Entwicklung präziserer Diagnosewerkzeuge und personalisierter Behandlungen unterstützen.

Quellen: