跳转至

细胞死亡相关分析

一句话概述

对铁死亡（ferroptosis）、焦亡（pyroptosis）、凋亡（apoptosis）、坏死性凋亡（necroptosis）等程序性细胞死亡方式进行基因集评分，分析其与肿瘤微环境、免疫浸润和预后的关联。

核心知识点总览

知识点关键内容重要程度
铁死亡(Ferroptosis)GPX4/SLC7A11/脂质过氧化⭐⭐⭐⭐⭐
焦亡(Pyroptosis)GSDM家族/Caspase-1/炎性体⭐⭐⭐⭐⭐
凋亡(Apoptosis)Caspase cascade/BCL-2家族⭐⭐⭐⭐
坏死性凋亡(Necroptosis)RIPK1/RIPK3/MLKL⭐⭐⭐⭐
评分方法ssGSEA/GSVA/自定义打分⭐⭐⭐⭐
TME关联细胞死亡与免疫浸润/免疫治疗⭐⭐⭐⭐
预后模型死亡基因signature构建⭐⭐⭐
药物敏感性细胞死亡诱导与药物响应⭐⭐⭐

各步骤详解

第一步：程序性细胞死亡类型概述

白话解释： 细胞可以通过多种方式"死亡"，每种方式有不同的分子机制和对周围环境的影响。凋亡是"安静的死"（不引起炎症），焦亡和坏死性凋亡是"炎性的死"（释放炎症因子），铁死亡是铁离子和脂质过氧化驱动的独特死亡方式。肿瘤中不同死亡方式的活跃程度影响免疫微环境和治疗响应。

技术细节：

# === 各细胞死亡类型基因集定义 ===

# 1. 铁死亡（Ferroptosis）
ferroptosis_genes <- list(
  drivers = c("ACSL4", "LPCAT3", "ALOX15", "ALOX5", "ALOX12",
              "NCOA4", "TFRC", "SLC39A14", "NOX4"),
  suppressors = c("GPX4", "SLC7A11", "FSP1", "DHODH", "GCH1",
                  "NFE2L2", "SLC3A2", "GSS", "GCLC", "GCLM"),
  markers = c("PTGS2", "CHAC1", "HMOX1", "FTH1", "SAT1", "ACSL4")
)

# 2. 焦亡（Pyroptosis）
pyroptosis_genes <- list(
  inflammasome = c("NLRP3", "NLRC4", "NLRP1", "AIM2", "PYCARD", "CASP1"),
  gasdermins = c("GSDMD", "GSDME", "GSDMA", "GSDMB", "GSDMC"),
  effectors = c("IL1B", "IL18", "CASP1", "CASP4", "CASP5"),
  # 注意：CASP11是小鼠基因（人类同源物为CASP4/CASP5），人类数据分析不应包含CASP11
  all = c("NLRP3", "NLRC4", "AIM2", "PYCARD", "CASP1", "CASP4",
          "GSDMD", "GSDME", "IL1B", "IL18", "HMGB1")
)

# 3. 凋亡（Apoptosis）
apoptosis_genes <- list(
  pro_apoptotic = c("BAX", "BAK1", "BID", "BIM", "BAD", "BIK",
                    "PUMA", "NOXA", "CASP3", "CASP7", "CASP8", "CASP9"),
  anti_apoptotic = c("BCL2", "BCL2L1", "MCL1", "BCL2A1", "BCL2L2"),
  markers = c("CASP3", "CASP7", "PARP1", "CYCS", "APAF1", "DIABLO")
)

# 4. 坏死性凋亡（Necroptosis）
necroptosis_genes <- list(
  core = c("RIPK1", "RIPK3", "MLKL"),
  regulators = c("FADD", "CASP8", "CFLAR", "TNFRSF1A", "TRADD",
                 "CYLD", "LUBAC", "TAB2", "TAK1"),
  all = c("RIPK1", "RIPK3", "MLKL", "FADD", "TNFRSF1A", "CYLD",
          "ZBP1", "PGAM5", "HMGB1")
)

# 5. 铜死亡（Cuproptosis）- 新发现
cuproptosis_genes <- c("FDX1", "LIAS", "LIPT1", "DLD", "DLAT",
                        "PDHA1", "PDHB", "MTF1", "GLS", "CDKN2A")

第二步：细胞死亡评分计算

白话解释： 对每个样本（或每个单细胞），根据各细胞死亡类型的基因表达计算一个综合分数。分数越高说明该死亡方式的活性越强。常用的评分方法包括ssGSEA、GSVA和Seurat的AddModuleScore。

技术细节：

# === TCGA/GEO数据的细胞死亡评分（Bulk RNA-seq）===
library(GSVA)

# 准备基因集列表
death_genesets <- list(
  Ferroptosis = unlist(ferroptosis_genes),
  Pyroptosis = pyroptosis_genes$all,
  Apoptosis = c(apoptosis_genes$pro_apoptotic, apoptosis_genes$markers),
  Necroptosis = necroptosis_genes$all,
  Cuproptosis = cuproptosis_genes
)

# ssGSEA评分
# 注意：GSVA >= 1.52 (Bioc 3.19+) 使用新API，旧method参数已废弃
# 新API写法：
ssgsea_param <- ssgseaParam(as.matrix(log2(tpm_matrix + 1)), death_genesets)
death_scores <- gsva(ssgsea_param)

# 旧API写法（GSVA < 1.50，仅供参考）：
# death_scores <- gsva(as.matrix(log2(tpm_matrix + 1)), death_genesets, method = "ssgsea")

# GSVA评分（另一种方法）
gsva_param <- gsvaParam(as.matrix(log2(tpm_matrix + 1)), death_genesets)
death_gsva <- gsva(gsva_param)

# 查看评分分布
library(ggplot2)
scores_df <- as.data.frame(t(death_scores))
scores_df$sample <- rownames(scores_df)
scores_long <- tidyr::pivot_longer(scores_df, -sample, names_to = "death_type", values_to = "score")
ggplot(scores_long, aes(x = death_type, y = score, fill = death_type)) +
  geom_boxplot() + theme_minimal() +
  labs(title = "Cell Death Scores Distribution")

第三步：与肿瘤微环境(TME)关联分析

白话解释： 不同的细胞死亡方式对免疫微环境的影响不同。免疫原性细胞死亡（如焦亡、坏死性凋亡）释放DAMP信号分子，招募免疫细胞，可能增强抗肿瘤免疫。而某些凋亡方式是"免疫沉默"的。分析细胞死亡评分与免疫浸润的关联，可以理解其免疫学意义。

技术细节：

# === TME关联分析 ===
library(IOBR)  # 或 immunedeconv

# 1. 免疫浸润评估（CIBERSORT/xCell/ESTIMATE）
# 使用CIBERSORT LM22估计22种免疫细胞比例
immune_fractions <- CIBERSORT(tpm_matrix, LM22_reference)

# 2. 相关性分析
# 细胞死亡评分 vs 免疫细胞浸润
cor_matrix <- cor(t(death_scores), immune_fractions, method = "spearman")

# 热图可视化
library(pheatmap)
pheatmap(cor_matrix, display_numbers = TRUE, fontsize_number = 8,
         color = colorRampPalette(c("blue", "white", "red"))(100),
         main = "Cell Death vs Immune Infiltration")

# 3. 与免疫检查点基因关联
checkpoint_genes <- c("CD274", "PDCD1", "CTLA4", "LAG3", "HAVCR2",
                       "TIGIT", "BTLA", "IDO1")
checkpoint_expr <- log2(tpm_matrix[checkpoint_genes, ] + 1)

for (death_type in rownames(death_scores)) {
  cors <- cor(as.numeric(death_scores[death_type, ]),
              t(checkpoint_expr), method = "spearman")
  cat(sprintf("%s vs PD-L1: r=%.3f\n", death_type, cors[, "CD274"]))
}

# 4. ESTIMATE免疫/基质评分
library(estimate)
estimateScore(tpm_matrix, "estimate_scores.gct")

第四步：构建死亡相关预后模型

白话解释： 从细胞死亡相关基因中筛选与预后相关的基因，构建多基因风险评分。这类模型在当前生信论文中非常流行——铁死亡signature、焦亡signature等。

技术细节：

# === 铁死亡预后模型构建示例 ===
library(survival)
library(glmnet)

# 1. 单因素Cox筛选
ferro_genes_all <- unique(unlist(ferroptosis_genes))
ferro_expr <- t(log2(tpm_matrix[ferro_genes_all[ferro_genes_all %in% rownames(tpm_matrix)], ] + 1))

surv_obj <- Surv(clinical$OS_time, clinical$OS_status)

uni_cox_results <- data.frame()
for (gene in colnames(ferro_expr)) {
  cox <- coxph(surv_obj ~ ferro_expr[, gene])
  s <- summary(cox)
  uni_cox_results <- rbind(uni_cox_results, data.frame(
    gene = gene, HR = s$conf.int[1,1], pval = s$coefficients[1,5]
  ))
}
sig_ferro_genes <- uni_cox_results$gene[uni_cox_results$pval < 0.05]

# 2. LASSO Cox构建模型
x <- as.matrix(ferro_expr[, sig_ferro_genes])
set.seed(42)
cv_fit <- cv.glmnet(x, surv_obj, family = "cox", alpha = 1, nfolds = 10)
coefs <- coef(cv_fit, s = "lambda.min")
selected <- rownames(coefs)[coefs[,1] != 0]

# 3. 计算风险评分
risk_score <- as.numeric(predict(cv_fit, newx = x, s = "lambda.min", type = "link"))
clinical$risk_group <- ifelse(risk_score > median(risk_score), "High", "Low")

# 4. KM验证
fit <- survfit(Surv(OS_time, OS_status) ~ risk_group, data = clinical)
ggsurvplot(fit, data = clinical, pval = TRUE, risk.table = TRUE,
           title = "Ferroptosis Risk Score")

第五步：药物敏感性关联

白话解释： 某些药物通过诱导特定类型的细胞死亡发挥抗肿瘤作用——如erastin诱导铁死亡、ABT-263诱导凋亡。分析细胞死亡评分与药物敏感性的关联，可以预测哪些患者可能对特定药物响应。

技术细节：

# === 药物敏感性分析 ===
library(pRRophetic)  # 或 oncoPredict

# 使用GDSC/CTRP药物敏感性数据预测
# pRRophetic基于细胞系数据预测临床样本的药物IC50
predicted_ic50 <- pRRopheticPredict(
  testMatrix = tpm_matrix,
  drug = "Erastin",  # 铁死亡诱导剂
  tissueType = "all"
)

# 比较高/低铁死亡评分组的药物敏感性
clinical$erastin_ic50 <- predicted_ic50
clinical$ferro_group <- ifelse(death_scores["Ferroptosis", ] > 
                                 median(death_scores["Ferroptosis", ]),
                               "High", "Low")

wilcox.test(erastin_ic50 ~ ferro_group, data = clinical)
boxplot(erastin_ic50 ~ ferro_group, data = clinical,
        main = "Erastin sensitivity by Ferroptosis score")

第六步：单细胞水平的细胞死亡分析

白话解释： 在单细胞层面评估各细胞类型的死亡倾向性，可以揭示肿瘤微环境中哪些细胞最容易经历特定类型的死亡，以及死亡细胞释放的信号如何影响邻近细胞。

技术细节：

# === 单细胞死亡评分 ===
library(Seurat)
library(UCell)

# UCell评分
seurat_obj <- AddModuleScore_UCell(seurat_obj, features = death_genesets)

# 各细胞类型的死亡评分比较
VlnPlot(seurat_obj,
        features = c("Ferroptosis_UCell", "Pyroptosis_UCell",
                     "Apoptosis_UCell", "Necroptosis_UCell"),
        group.by = "celltype", pt.size = 0)

# 哪种细胞类型铁死亡评分最高？
ferro_by_celltype <- seurat_obj@meta.data %>%
  group_by(celltype) %>%
  summarise(mean_ferro = mean(Ferroptosis_UCell)) %>%
  arrange(desc(mean_ferro))
print(ferro_by_celltype)

实战命令速查

# 快速细胞死亡分析
library(GSVA)
# 新API (GSVA >= 1.52)
scores <- gsva(ssgseaParam(expr_matrix, death_genesets))
# 生存分析
survfit(Surv(time, status) ~ ifelse(scores["Ferroptosis",]>median(scores["Ferroptosis",]), "H","L"))
# 免疫关联
cor(t(scores), immune_scores, method="spearman")

面试常问点

Q1: 铁死亡与传统凋亡的核心区别？

A: 凋亡是caspase依赖的、不引起炎症的程序性死亡，形态特征为细胞皱缩、核碎裂、凋亡小体形成。铁死亡不依赖caspase，由铁离子催化的脂质过氧化驱动，形态特征为线粒体萎缩（嵴减少、外膜破裂），释放DAMPs可能引起免疫反应。铁死亡的抑制需要GPX4/系统Xc-通路，而凋亡由BCL-2家族调控。

Q2: 为什么细胞死亡分析在肿瘤研究中热门？

A: (1) 免疫原性细胞死亡（ICD）概念兴起——铁死亡/焦亡/坏死释放的DAMPs可激活抗肿瘤免疫；(2) 新药物靶点——诱导铁死亡/焦亡是新的抗肿瘤策略；(3) 预后预测——死亡相关基因expression pattern与patient outcome相关；(4) 免疫治疗biomarker——死亡方式影响TME的免疫状态。

Q3: ssGSEA和GSVA评分有什么区别？

A: ssGSEA对每个样本独立计算基因集得分（适合样本间比较），值为富集分数（可正可负）。GSVA使用非参方法估计基因集活性（考虑基因间相对表达），适合差异分析。两者结论通常一致，但GSVA在差异检测中统计性能更好。对细胞死亡评分两者均可用，多用ssGSEA因为直观易解释。

Q4: 如何验证计算预测的细胞死亡类型？

A: (1) 特征性标志物蛋白检测——铁死亡看GPX4/4-HNE/脂质ROS，焦亡看GSDMD-N/IL-1β/LDH release，凋亡看cleaved caspase-3/Annexin V；(2) 抑制剂验证——Fer-1抑制铁死亡, VX-765抑制焦亡, zVAD抑制凋亡, Nec-1抑制坏死性凋亡；(3) 形态学——电镜观察线粒体/细胞膜/核形态变化。

易错点

1. 混淆细胞死亡的driver和marker

某些基因（如HMGB1）在多种死亡方式中都有角色。不应简单将HMGB1高表达等同于坏死。需要综合评估多个pathway-specific基因。

2. 评分方法选择影响结论

不同评分方法对同一基因集可能给出不同排序。建议用2+种方法验证结论的稳健性。

3. 转录水平不等于蛋白活性

很多死亡执行蛋白是通过翻译后修饰（如caspase切割、GSDMD切割）激活的。mRNA表达不直接反映功能状态。

4. 忽略死亡方式之间的互作

细胞死亡通路间有crosstalk——如caspase-8同时调控凋亡和坏死性凋亡（互相抑制关系）。不应将各种死亡完全独立分析。

5. 基因集来源不统一

不同文献定义的铁死亡基因集差异很大（20-259个基因不等）。应明确引用来源，使用经典且有实验支持的基因集。

补充知识

细胞死亡数据库

  • FerrDb V3（https://www.zhounan.org/ferrdb/）：2025年更新，已从铁死亡扩展至22种调控性细胞死亡（RCD）类型，含驱动因子/抑制因子/标志物/疾病关联
  • GeneCards + MSigDB：焦亡相关基因通常从GeneCards搜索"pyroptosis"或MSigDB获取（无专用焦亡数据库）
  • Reactome pyroptosis pathway（R-HSA-5620971）：焦亡通路基因
  • KEGG apoptosis pathway：经典凋亡通路
  • GeneCards：基因功能注释

前沿方向

  • 铜死亡（Cuproptosis）——Tsvetkov et al., Science, 2022
  • 二硫化物死亡（Disulfidptosis）——Liu et al., Nature Cell Biology, 2023；SLC7A11高表达+葡萄糖饥饿→二硫键应激→肌动蛋白骨架崩溃
  • PANoptosis——多种死亡方式同时激活的"泛死亡"
  • 细胞死亡与免疫治疗的协同策略

引用推荐

  • 铁死亡: Dixon et al., Cell, 2012; Jiang et al., Nature, 2021
  • 焦亡: Shi et al., Nature, 2015
  • 铜死亡: Tsvetkov et al., Science, 2022
  • 细胞死亡综述: Galluzzi et al., Cell Death & Differentiation, 2018

📚 相关文章推荐

单细胞衰老评分
29% 相关
626_单细胞代谢通路评分
25% 相关
基因集变异分析GSVA（ssGSEA/GSVA/AUCell打分与免疫浸润估计）
24% 相关
159_肿瘤微环境评估
23% 相关
单细胞代谢分析
22% 相关