我博士求学期间所在的实验室长期（2015-2023）钻研类器官技术，虽然CNS成就没有达成，但是子刊级别的文章发表了一些。早期的类器官研究主要是通过多组学来说明类器官能很好的复现病人的特性，比如肿瘤外显子看样品培养前的肿瘤组织和培养后的类器官组织的突变结果的一致性，还有CNV的对比，“”约定俗成“”的是展现类器官能很好的复现病人的特性。
这段时间，恰好是单细胞技术从默默无闻到几乎人手一份数据的爆发期，但是单细胞技术一直没有跟类器官很好的结合，因为“”约定俗成“”的是展现类器官能很好的复现病人的特性，但是类器官培养后通常是不会保留原位肿瘤组织的微环境，假如说仅仅是恶性上皮细胞培养成为了类器官，那么前后的单细胞测序就肯定是会“迥然不同”。但是2023年6月19发表在《Developmental Cell》杂志的文章：《A platform for efficient establishment and drug- response profiling of high-grade serous ovarian cancer organoids》做了类器官培养前后单细胞而且展现了，数据集在：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE202263
GSM6107452 EOC733_pPer_scRNA
GSM6107453 EOC733_pPer_scRNA_ORG
GSM6107454 EOC382_pOme_scRNA
GSM6107455 EOC382_pOme_scRNA_ORG
GSM6107456 EOC883_pAdn_scRNA
GSM6107457 EOC883_pAsc_scRNA
GSM6107458 EOC883_pAsc_scRNA_ORG
GSM7054979 EOC677_pAsc_scRNA
GSM7054980 EOC677_pAsc_scRNA_ORG
GSM7054981 EOC677_rAsc_scRNA
GSM7054982 EOC677_r2Asc_scRNA_ORG
GSM7054983 EOC883_p2Ome_scRNA
GSM7054984 EOC883_p2Ome_scRNA_ORG
GSM7054985 EOC733_iOme_scRNA
GSM7054986 EOC733_iOme_scRNA_ORG
可以看到是15个样品的10x技术的单细胞转录组，而且很明显可以看到，培养前后其实是很不一样的细胞构成组分，很明确的是仅仅是恶性上皮细胞培养成为了类器官，所以培养后的类器官里面就只有恶性上皮细胞啦，而且有意思的是，每次10x技术单细胞转录组样品都是独立的，但是细胞数量就很多菜四五百个，而我们标准的10x技术单细胞转录组其实是可以出5~8千个单细胞数量，就是说花同样的钱却只拿到十分之一的单细胞数量，这样的话亏不亏呢？
文章也仅仅是普通的降维聚类分群而已，如下所示：
数据量确实并不多：
- UMAP visualization of 30,492 cells from 7 organoid cultures and their tissue controls
- 26 subclusters (indicated by different colors and numbers) through unsupervised clustering.
为什么这样问亏不亏呢？
当然是因为有很多改进的方法，首先10个病人的类器官培养物单细胞的话，可以直接混合后上样，很容易根据降维聚类分群后结果就把他们区分的，因为病人异质性存在。这样的话，一个10x单细胞费用就解决了。这个可以参考：2021年1月发表在cancer research杂志 ：《Single-Cell Transcriptomic Heterogeneity in Invasive Ductal and Lobular Breast Cancer Cells》，数据集是GSE144320，只有一个10X样品样本。虽然说这个单细胞文章仅仅是单个10X样品，但是测8个细胞系。
- MCF7 (n=977)
- T47D WT (n=509)
- T47D KO (n=491)
- MM134 (n=439)
- SUM44 (n=314)
- BCK4 (n=512)
- MCF10A (n=491)
- HEK293T(n=881).
作者使用六个公共数据集来进行建立参考数据集与自己的数据进行相关性分析，进行细胞注释，很容易看到不同的细胞系会在降维聚类分群的时候“泾渭分明”，完全不用担心它们混淆：
其次，如果想精确追踪单细胞来源的样品而且想混样，也是样专门的单细胞mix技术，很容易获得。
这样的单细胞转录组数据分析的标准降维聚类分群，并且进行生物学注释后的结果。可以参考前面的例子：人人都能学会的单细胞聚类分群注释 ，我们演示了第一层次的分群。
如果你对单细胞数据分析还没有基础认知，可以看基础10讲：