848. 类器官组学分析¶

一句话概述：类器官(Organoid) = 体外培养的3D微型器官，结合组学分析可以做药物筛选和个性化治疗——生信负责多组学数据的整合分析。

核心知识点速查表¶

维度	说明
定义	干细胞在体外自组装的3D器官模型
来源	成体干细胞/iPSC/肿瘤组织
类型	肠、肝、肺、脑、肾、肿瘤类器官
组学应用	scRNA-seq、空间转录组、药物组学
优势	保留患者肿瘤特征、可高通量筛药
生信角色	单细胞分析、药物响应建模、多组学整合

一、类器官+单细胞分析¶

# 类器官scRNA-seq分析（判断类器官是否模拟了原始组织）
import scanpy as sc                    # 单细胞分析

# 读取类器官和原始组织的单细胞数据
organoid = sc.read_h5ad("organoid.h5ad")    # 类器官数据
tissue = sc.read_h5ad("primary_tissue.h5ad") # 原始组织数据

# 整合分析（比较类器官vs原始组织）
combined = organoid.concatenate(tissue,  # 合并数据
                                 batch_categories=["organoid", "tissue"])
sc.pp.normalize_total(combined)         # 标准化
sc.pp.log1p(combined)                   # 对数转换
sc.pp.highly_variable_genes(combined, batch_key="batch")  # 高变基因
sc.pp.pca(combined)                     # PCA
sc.external.pp.harmony_integrate(combined, key="batch")   # 批次校正
sc.pp.neighbors(combined, use_rep="X_pca_harmony")
sc.tl.umap(combined)                    # UMAP
sc.tl.leiden(combined)                  # 聚类

# 关键问题：类器官中是否包含原始组织的所有细胞类型？
sc.pl.umap(combined, color=["batch", "leiden", "cell_type"])

二、药物筛选数据分析¶

# 类器官高通量药物筛选分析
import numpy as np                     # 数值计算
from scipy.optimize import curve_fit   # 曲线拟合

def dose_response(x, top, bottom, ic50, hill):
    """四参数剂量-响应曲线"""
    return bottom + (top - bottom) / (  # Hill方程
        1 + (ic50 / x) ** hill)

# 拟合IC50
doses = np.array([0.001, 0.01, 0.1, 1, 10, 100])  # 药物浓度(μM)
viability = np.array([98, 95, 80, 45, 15, 5])      # 细胞存活率(%)

popt, pcov = curve_fit(dose_response,  # 拟合
                        doses, viability,
                        p0=[100, 0, 1, 1])  # 初始猜测

ic50 = popt[2]                         # 提取IC50值
print(f"IC50 = {ic50:.3f} μM")         # 打印IC50

# 比较不同患者类器官的药物敏感性
# → 指导个性化用药

三、面试高频问题¶

Q: 类器官有什么优势？ A: 保留患者肿瘤的遗传和表型特征，可以在体外做药物筛选，比细胞系更接近真实肿瘤，比动物模型更快速。
Q: 类器官组学分析的核心问题是什么？ A: 验证类器官是否忠实模拟了原始组织——通过单细胞测序比较细胞类型组成、基因表达谱和突变特征。

速查表¶

# 类器官分析工具
单细胞: Scanpy/Seurat（细胞类型比较）
药物筛选: dose-response曲线拟合(IC50)
多组学: MOFA+(整合RNA+ATAC+蛋白)
空间: Squidpy（类器官空间结构分析）