Core Framework & Diagram How Did Single-Cell Technology Transform Immune Research?
7 月 24, 20261 Min Read Major Controversies in Immunology History
7 月 24, 2026以前我们在看一片森林，现在我们能看清每一棵树
—— 单细胞测序技术，如何重新绘制免疫系统的地图
1. 单细胞测序之前：我们在黑暗中摸象
在单细胞技术出现之前，免疫学的研究范式依赖"群体平均"——把数百万个同类细胞混合在一起进行分析，得到的是整个群体的平均基因表达、平均蛋白质水平、平均功能特征。这种方法在很多情况下是有效的，但它有一个根本性的盲区：细胞群体内的异质性被抹平了。 想象一下：你想研究"活化T细胞"是否在表达某个特定基因。你把一百万个活化T细胞混合在一起，测量这个基因的表达量，得到一个数字——比如"100"。但这个"100"可能来自：100万个细胞每个都表达1个单位，或者1万个细胞每个都表达100个单位，而其余99万个细胞根本不表达。这两种情况在生物学上含义完全不同，但在传统方法下，你得到的是同一个数字。
这个盲区导致了大量错误或不完整的认识。例如，调节性T细胞（Treg）长期被视为一类功能均一的细胞，但单细胞测序显示，Treg实际上是一个高度异质的细胞群，其中包含具有截然不同功能的多个亚群——有些主要在淋巴结中活动，有些专门存在于肿瘤微环境，有些在慢性炎症中发挥促炎作用。这些亚群的发现，彻底改变了针对Treg的免疫调节策略。
2. scRNA-seq 技术的原理：如何给每个细胞拍"全身照"
单细胞RNA测序（scRNA-seq）的核心技术流程可以分为三步：第一步是细胞分离，将组织或血液样本中的细胞逐一分离为单个悬浮细胞；第二步是单细胞捕获和文库构建，通常使用微流控液滴技术（如10x Genomics的Chromium系统），让每个细胞被包裹在一个独立的油滴中，与带有独特条形码（barcode）的磁珠一起反应，将细胞内的mRNA逆转录为带有该细胞唯一标识的cDNA；第三步是大规模并行测序，同时测定数千到数万个细胞的cDNA序列，然后通过条形码将每个读段（read）分配回对应的单个细胞。 最终的输出，是一个巨大的"细胞×基因"矩阵：每一行是一个细胞，每一列是一个基因，每个格子里的数字代表这个细胞表达这个基因的强度。这个矩阵通常包含5,000到50,000个细胞，以及20,000个以上的基因位点——信息量极为庞大，需要专门的计算生物学方法（降维、聚类、轨迹分析等）来提取有意义的结构。 2019年，单细胞测序中又出现了一个重要升级：CITE-seq（Cellular Indexing of Transcriptomes and Epitopes by Sequencing）。这项技术在测量每个细胞的RNA表达图谱的同时，利用带有DNA条形码的抗体，同时测量细胞表面蛋白的表达——在同一个实验中，同时获得每个细胞的转录组和蛋白组信息，大幅提升了细胞身份的定义精度。
3. 单细胞技术在肿瘤免疫学中的革命
肿瘤微环境（TME）是单细胞技术最重要的应用场景之一。在单细胞技术出现之前，研究者只知道肿瘤内存在"肿瘤浸润淋巴细胞（TIL）"，并且TIL的密度与患者预后相关——密度高的通常预后更好。但TIL内部的异质性，以及不同亚群与肿瘤和治疗应答的关系，几乎完全是一个黑箱。 单细胞测序打开了这个黑箱。2018年，张泽民团队发表了首批对肝细胞癌肿瘤微环境的系统性单细胞分析，描绘出了肿瘤内T细胞、NK细胞、巨噬细胞、树突状细胞的完整分布图，发现了多个此前不为人知的细胞亚群——包括一种被称为"耗竭前体T细胞"（progenitor exhausted T cell）的亚群，这类细胞具有有限的自我更新能力，是肿瘤内T细胞池维持的关键，也是PD-1免疫检查点治疗效果的主要效应细胞。
这个发现有直接的临床意义：肿瘤内"耗竭前体T细胞"的比例，可以预测PD-1治疗的应答可能性——比例高的患者，在解除免疫刹车后，这些前体细胞能够增殖并分化为效应T细胞，产生持久的抗肿瘤应答；比例低的患者，即便解除了刹车，也没有足够的T细胞来执行杀伤任务。 空间转录组学（Spatial Transcriptomics）进一步将这张地图扩展到了组织维度：不只是知道肿瘤内有哪些细胞，还知道它们在组织中的具体位置，以及相邻细胞之间的信号传递关系。研究者发现，肿瘤内不同区域（核心区vs.边缘区）的免疫细胞具有截然不同的激活状态，而这种空间异质性与患者预后和治疗应答密切相关。
4. 人类细胞图谱：免疫学的"元素周期表"
单细胞技术的最宏大应用，是正在进行中的"人类细胞图谱"（Human Cell Atlas，HCA）计划。这个由全球数百个实验室参与的大型国际合作项目，目标是利用单细胞测序技术，绘制出人体内所有细胞类型的完整参考图谱——描述每一种细胞的基因表达特征、所在位置、发育来源和功能状态。 在免疫系统方面，HCA已经产生了大量突破性的发现。2022年，HCA免疫部分发表了对人类胎儿免疫系统发育的全景描述，揭示了免疫细胞从早期造血干细胞到各种成熟免疫细胞亚型的完整分化轨迹，以及胎儿期特有的免疫细胞类型（这些细胞在出生后消失，但可能在某些发育条件下重新出现）。 这张"元素周期表"的建立，不只是学术意义上的知识整理。它提供了一个参考标准：当研究者在疾病状态（如自身免疫病、感染、癌症）下观察到某种免疫细胞时，可以将其与正常参考图谱进行比对，快速判断哪些细胞是异常激活的、哪些是缺失的、哪些是处于异常的分化状态——从而更精准地理解疾病机制。
5. 单细胞技术的局限与下一步
单细胞技术尽管强大，但也有明确的局限性，了解这些局限对于理解和使用相关研究结论同样重要。 首先是"切片"问题：scRNA-seq给的是特定时间点的细胞快照，而免疫系统是高度动态的。一个被标记为"耗竭"的T细胞，是处于早期耗竭状态还是终末耗竭状态？未来会进一步耗竭还是会被激活？静态的测序数据无法直接回答这些问题，需要结合轨迹分析算法推断。 其次是信息丢失：在细胞分离过程中，组织中的位置信息、细胞之间的直接接触信息、以及胞外信号都会丢失。空间转录组学可以部分弥补位置信息的丢失，但目前的空间分辨率和基因检测灵敏度仍低于传统scRNA-seq。 第三是成本与数据分析壁垒：一个典型的scRNA-seq实验，数据分析通常需要专业的生物信息学团队，分析周期从数周到数月不等。这个壁垒正在随着分析工具的成熟和云计算平台的普及而逐渐降低，但仍然是临床转化的制约因素。 下一代技术正在尝试突破这些限制：多组学单细胞技术（同时测量基因组、转录组、蛋白组、表观遗传组）、空间多组学（在组织中同时测量多层次信息）、以及单细胞的时序追踪（lineage tracing）——将静态快照串联成动态故事。这些技术的成熟，将把免疫学的研究分辨率再次推进一个量级。
问答专区