俄勒冈健康与科学大学（OHSU）的研究人员开发了一种首创方法，利用单细胞水平的分子数据预测癌症患者的生存。该研究发表于《癌症发现》（Cancer Discovery），为精准肿瘤学提供了全新工具。
研究背景：生存分析的重要性与挑战
生存分析是临床肿瘤学的核心，旨在预测患者预后并指导治疗决策。现代单细胞测序技术能够测量肿瘤内单个细胞的基因活性，但此前缺乏有效方法将这些高分辨率数据与患者生存直接关联。传统方法通常对肿瘤整体信号进行平均，从而丢失了关键的细胞异质性信息。
核心发现：scSurvival方法
研究团队开发了名为scSurvival的计算方法，利用单细胞转录组数据，识别肿瘤内与患者生存最强烈相关的细胞亚群。该方法能够精确定位有害和有益的细胞群体，从而更准确地预测预后。
“肿瘤非常复杂，当数据在数千或数百万个细胞上平均时，重要信号可能会丢失。通过单细胞分辨率的生存分析，我们可以更好地理解为什么患有相同癌症的患者可能有非常不同的结果。”——Faming Zhao博士，共同第一作者
“这是第一种直接将个体肿瘤细胞与患者结果联系起来的单细胞生存分析。它使我们能够看到哪些细胞真正驱动疾病进展，而不是对所有细胞一视同仁。”——Tao Ren博士，共同第一作者
验证结果
研究团队使用黑色素瘤和肝癌数据集验证了scSurvival的性能。结果显示，该方法比标准生存分析方法更准确地预测患者结果，并发现了与更好或更差生存相关的特定免疫和肿瘤细胞状态。例如，某些免疫细胞亚群与免疫治疗反应良好相关，而另一些则与不良预后相关。
技术特点
scSurvival采用复杂的机器学习模型，能够捕获传统方法无法获取的信息。该工具反映了计算科学、癌症生物学和临床医学的跨学科合作。
“该模型比传统的机器学习方法更复杂，它使我们能够捕获以前无法访问的信息。这项工作反映了技术创新的同时，也体现了计算科学家、癌症生物学家和临床医生之间的紧密跨学科合作。”——郑夏博士，资深作者，OHSU医学院生物医学工程副教授
临床应用前景
目前scSurvival尚未用于临床护理，但未来可能帮助医生更好识别高风险患者，并支持开发更精准、靶向的癌症疗法。
资源可用性
scSurvival程序已开源，可通过GitHub、Zenodo和Code Ocean免费获取，并附有详细教程。
研究信息
- 原始论文：Cancer Discovery (2026). DOI: 10.1158/2159-8290.CD-25-0965
- 研究机构：俄勒冈健康与科学大学OHSU Knight癌症研究所
- 会议：美国癌症研究协会会议
结语
这项研究开发了scSurvival，一种利用单细胞遗传数据直接预测癌症患者生存的新方法。与传统方法平均整个肿瘤信号不同，scSurvival精确定位肿瘤内与生存相关的有害和有益细胞群体。在黑色素瘤和肝癌测试中，它比标准方法更准确，并识别出与免疫治疗反应相关的特定免疫细胞状态。该开源工具有望帮助医生识别高风险患者并指导精准靶向治疗。