小细胞外囊泡（sEVs）作为细胞间通信的 “信使”，在免疫调节、病毒致病及肿瘤进展中发挥关键作用。其数量和 cargo 组成受细胞类型、生理状态等多种因素影响，具有高度异质性。然而，传统 bulk RNA-seq 难以捕捉这种复杂性，现有 sEV 研究又依赖分离纯化过程，易丢失组织微环境信息，且缺乏高通量解析 sEV 异质性的技术手段。

如何在保留组织原始语境的前提下，实现 sEV 异质性的高分辨率解析？近期，发表于《Nature Methods》的研究推出了创新算法 SEVtras，借助液滴单细胞 RNA 测序（scRNA-seq）数据，以液滴分辨率识别含 sEV 的液滴并量化单个细胞的 sEV 分泌活性（ESAI）。该工具无需额外实验步骤，即可从现有 scRNA-seq 数据中挖掘 sEV 信息，为连接 sEV 生物学与单细胞转录组学搭建了关键桥梁。

一、研究背景：sEV 研究的技术瓶颈与 SEVtras 的创新思路

sEV 研究长期面临三大核心挑战：

• 信息丢失：分离纯化 sEV 的过程会破坏其原始组织微环境，导致关键上下文信息流失；
• 异质性解析难：缺乏高通量技术手段，无法在单细胞或单 sEV 水平全面解析 sEV 异质性；
• 关联性缺失：现有技术难以同时捕捉细胞与 sEV 的异质性，无法建立 sEV 与来源细胞的直接关联。

SEVtras 的核心创新在于 “无额外实验依赖”：利用 scRNA-seq 实验中自然保留的 sEV 信号，通过自定义算法识别含 sEV 液滴，无需单独分离 sEV，既避免了微环境信息丢失，又实现了 sEV 与细胞的同步分析，完美破解了上述技术困境。

二、研究内容：SEVtras 算法构建与多场景验证

本研究通过模拟数据集、细胞系实验（人骨髓间充质干细胞 MSC、人胚胎肾细胞 293F）、CITE-seq 数据集验证 SEVtras 性能，进而应用于 15 种人类正常组织及结直肠癌（CRC）、胰腺导管腺癌（PDAC）等 4 类肿瘤的 scRNA-seq 数据，系统解析 sEV 异质性及临床价值。

核心发现概览

• 技术可行性明确：scRNA-seq 预处理过程中可保留大量 sEV，且 sEV 具有区别于细胞碎片、大 EV（lEVs）的独特基因表达谱；
• 性能优异：SEVtras 识别含 sEV 液滴的 AUC ＞0.85，与实验分离的 sEV 转录组相关性显著，且不受细胞碎片、lEVs 干扰；
• 临床价值突出：肿瘤组织的 ESAI 显著高于正常组织，CRC 中高分泌 sEV 的迁移恶性细胞亚群与肿瘤进展相关，PDAC 中 ESAI 可作为早期肿瘤血管侵犯的有效指标；
• 普适性强：成功应用于 15 种正常组织和 4 类肿瘤数据，可解析不同细胞类型的 sEV 分泌活性。

各 Figure 深度解读：从技术验证到临床应用

Figure 1：SEVtras 算法框架与 sEV 信号可行性验证

本图明确了 SEVtras 的核心逻辑与 sEV 信号保留的可行性：

• a：sEV 保留验证：使用 NanoLuc 标记的 sEV 跟踪 scRNA-seq 预处理过程，结果显示 sEV 可大量保留，luminescence 信号在预处理后仍维持较高水平，证实 scRNA-seq 数据中存在可检测的 sEV 信号；
• b：sEV 转录组特异性：左图对比 MSC 细胞系中 sEV 与细胞碎片的基因表达差异；中图三元图展示基因在细胞、sEV、碎片中的表达分布；右图 GSEA 分析显示，sEV 基因集在 sEV 中显著富集（P=0.021），证实 sEV 具有独特的转录组特征；
• c：SEVtras 算法流程：① 初始化：基于 ExoCarta、exRNA Atlas 等数据库构建含 2017 个基因的 sEV 相关基因集；② 迭代优化：通过期望最大化（EM）算法迭代学习每个液滴的 sEV 信号得分（SEVtras 得分）；③ 样本整合：通过投票和统一步骤生成跨样本的统一基因集，确保得分可比性；④ 下游分析：包括 sEV 聚类、功能富集、ESAI 计算及临床应用。

核心结论：scRNA-seq 数据中可有效保留 sEV 信号，且 sEV 具有独特的转录组特征，为 SEVtras 算法提供了生物学基础。

Figure 2：SEVtras 性能验证

本图通过多组实验验证 SEVtras 的准确性、特异性与可靠性：

• a-b：与实验分离 sEV 的一致性：将实验分离的 sEV 作为金标准，SEVtras 识别的含 sEV 液滴与金标准的 Pearson 相关性显著高于细胞碎片（MSC 和 293F 细胞系中 P＜0.001），证实识别准确性；
• c：UMAP 聚类验证：SEVtras 识别的含 sEV 液滴在 UMAP 中与实验分离 sEV 分布高度重叠，与细胞碎片明显区分，进一步验证识别特异性；
• d-g：复杂背景抗干扰能力：向 MSC 单细胞悬液中添加细胞碎片或 lEVs 作为干扰，SEVtras 计算的 ESAI 与未处理组无显著差异（P=0.49、P=0.71），且 sEV 基因表达谱相关性高达 0.997 以上；使用莫能菌素（MON）刺激 sEV 分泌或添加外源 sEV，ESAI 显著升高（最高达 10.93%），证实算法可特异性捕捉 sEV 信号；
• h-j：CITE-seq 验证：SEVtras 识别的含 sEV 液滴中，sEV 标志物 CD63、CD9 的阳性比例（80%、38%）显著高于随机选择（44%、23%），且标志物蛋白丰度显著升高（P=0.02），功能富集分析显示含 sEV 液滴富集 sEV 形成与释放相关通路。

核心结论：SEVtras 能准确、特异性识别 sEV 信号，且具有强抗干扰能力，性能稳定可靠。

Figure 3：解析不同细胞类型的 sEV 分泌活性

本图验证 SEVtras 解析复杂细胞群体中不同细胞类型 sEV 分泌活性的能力：

• a：细胞系 sEV 异质性：UMAP 分析显示，MSC 和 293F 细胞系来源的 sEV 转录组特征明显分离，且与各自来源细胞的特征部分重叠，证实不同细胞类型的 sEV 具有独特特征；
• b-c：混合细胞系验证：将 MSC 和 293F 细胞按 1:1 混合进行 scRNA-seq，SEVtras 识别的含 sEV 液滴聚类为两个独立群体，分别对应两种细胞系的 sEV 特征；计算细胞类型水平的 sEV 分泌活性（ESAI_c），MSC 为 359%，293F 为 276%，与单独细胞系的 ESAI （MSC 369%、293F 274%）高度一致，证实可精准解析不同细胞类型的 sEV 分泌活性。

核心结论：SEVtras 可有效区分不同细胞类型来源的 sEV，并精准量化其分泌活性。

Figure 4：正常组织与 CRC 中的 sEV 异质性解析

本图拓展 SEVtras 应用场景，解析正常组织与肿瘤组织的 sEV 异质性：

• a-b：正常组织 sEV 分泌差异：分析 15 种人类正常组织的 scRNA-seq 数据，发现不同组织的 ESAI 存在显著差异（平均值 1.1±2.0%），血液和皮肤的 ESAI 最高，与已知的 sEV 分泌特征一致；
• c：正常组织 sEV 亚型：含 sEV 液滴聚类为 sEV1 和 sEV2 两个亚型，sEV1 富集有丝分裂纺锤体通路，sEV2 富集 PI3K/Akt/mTOR 信号通路（P＜0.01），揭示 sEV 的功能异质性；
• d-i：CRC 中的 sEV 特征：CRC 肿瘤组织的平均 ESAI（18.7%）显著高于正常组织（P＜0.01），且 ESAI 与肿瘤核心距离呈显著相关；识别出两个肠道上皮亚群（epithelium1/2），epithelium2 的 ESAI_c 更高，且富集肿瘤侵袭相关基因（如 TSC22D4、CDIPT）和上皮间质转化（EMT）通路，其富集基因（如 TIMP1）为 CRC 预后标志物（P＜0.001）。

核心结论：SEVtras 可揭示正常组织的 sEV 功能异质性，且能通过 sEV 分泌活性识别肿瘤侵袭性亚群，为肿瘤进展评估提供新视角。

Figure 5：PDAC 中 sEV 分泌活性与血管侵犯的关联

本图聚焦 SEVtras 在肿瘤临床特征预测中的应用价值：

• a：多肿瘤 sEV 特征：分析 PDAC、胃癌、前列腺癌、CRC 4 类肿瘤的 scRNA-seq 数据，证实肿瘤组织的 ESAI 普遍升高，且含 sEV 液滴与细胞类型在 UMAP 中清晰区分；
• b：PDAC 血管侵犯预测：PDAC 中，有血管侵犯患者的 ESAI 显著高于无血管侵犯患者（P=0.01），且早期（I 期）区分度更明显；
• c：细胞类型特异性关联：淋巴细胞的 ESAI_c 在有血管侵犯组显著升高（P=0.005），且 I 期的倍数变化（3.32 倍）高于其他分期（2.25 倍）；
• d：预测效能对比：淋巴细胞的 ESAI_c 预测血管侵犯的效能优于基因表达谱和细胞类型比例，证实其作为血管侵犯指标的可靠性。

核心结论：SEVtras 计算的 ESAI 可作为早期 PDAC 血管侵犯的有效指标，其中淋巴细胞的 sEV 分泌活性关联最为显著。

三、实验及分析方法流程总结

本研究技术路线清晰，从算法构建、性能验证到临床应用层层递进，具体流程如下：

1. SEVtras 算法核心流程

• （1）sEV 基因集构建

• 整合 ExoCarta、exRNA Atlas、AmiGO 三个公共数据库，筛选 sEV 相关 mRNA 基因，去除重复及无法通过 poly-A 尾 scRNA-seq 检测的基因，最终获得含 2017 个基因的 sEV 基因集。

• （2）EM 迭代优化

• 期望步（E 步）：基于超几何分布计算每个液滴的潜在变量 Z（sEV 信号得分），评估当前基因集在液滴中的富集程度；
• 最大化步（M 步）：通过基因表达与潜在变量 Z 的相关性优化基因集，筛选最具代表性的 sEV 特征基因；
• 迭代收敛：重复 E 步和 M 步，直至基因集稳定，最终的 Z 值即为 SEVtras 得分，用于区分含 sEV 液滴与碎片。

• （3）跨样本整合

• 投票步骤：计算每个基因在多个样本收敛基因集中的出现频率，筛选高频基因形成统一基因集；
• 得分更新：基于统一基因集重新计算所有样本的 SEVtras 得分，确保跨样本可比性。

2. 关键指标计算

• ESAI（样本 / 组织水平）：含 sEV 液滴数 ÷ 含细胞液滴数；
• ESAI_c（细胞类型水平）：某一细胞类型来源的含 sEV 液滴数 ÷ 该细胞类型的含细胞液滴数，通过基因表达相似性和 sEV 生物发生能力确定 sEV 来源细胞类型。

3. 性能验证实验设计

• （1）细胞系实验

• 分离 MSC 和 293F 细胞的 sEV、细胞碎片、lEVs，进行 bulk RNA-seq 验证转录组差异；
• 向单细胞悬液中添加碎片、lEVs 验证抗干扰能力，使用 MON 刺激 sEV 分泌或添加外源 sEV 验证特异性。

• （2）CITE-seq 验证

• 利用 CITE-seq 同时检测 RNA 和表面蛋白（CD63、CD9 等 sEV 标志物），验证 SEVtras 识别的含 sEV 液滴中标志物的富集程度。

• （3）临床数据应用

• 分析 15 种正常组织 scRNA-seq 数据，解析 sEV 组织异质性；
• 分析 4 类肿瘤数据，关联 ESAI 与肿瘤进展、血管侵犯等临床特征。

4. 数据分析工具

• 基础分析：Python 3.8（numpy、pandas）、Scanpy（单细胞数据分析）、MAGIC（数据插补）；
• 可视化：matplotlib、seaborn；
• 测序数据处理：Cell Ranger（scRNA-seq 原始数据处理）、STAR（序列比对）、RSEM（转录本定量）。

四、论文结论及展望

核心结论

• SEVtras 突破技术局限：无需额外实验步骤，即可从 scRNA-seq 数据中以液滴分辨率识别含 sEV 液滴，量化细胞 sEV 分泌活性，实现细胞与 sEV 异质性的同步解析；
• 性能稳定可靠：具有高准确性、特异性和抗干扰能力，与实验分离 sEV 一致性高，可适配不同细胞系、正常组织和肿瘤数据；
• 临床价值显著：可识别肿瘤侵袭性亚群，ESAI 可作为早期 PDAC 血管侵犯的有效指标，为肿瘤进展评估提供新工具；
• 拓展单细胞分析维度：为解析细胞间通信、sEV 介导的生理病理过程提供了全新视角，丰富了单细胞转录组学的研究价值。

研究局限性

• 缺乏组织特异性参数：现有算法未针对不同组织类型和生理状态定制参数，可能影响部分场景的解析精度；
• 依赖 scRNA-seq 数据质量：低质量 scRNA-seq 数据（如测序饱和度＜0.5）可能导致 sEV 信号捕捉不全；
• 未涵盖极端生理状态：未在极端病理或生理条件下验证算法性能，普适性仍需进一步拓展。

未来展望

• 算法优化：整合组织特异性基因集和高分辨率检测方法，优化参数以适配更多组织类型和生理状态；
• 多组学整合：结合空间转录组、代谢组数据，构建 “细胞 – sEV – 微环境” 的多维度关联网络，深化对细胞间通信的理解；
• 临床转化：拓展至更多肿瘤类型和疾病场景，验证 ESAI 作为疾病诊断、预后评估标志物的临床有效性；
• 机制探索：利用 SEVtras 解析 sEV 在疾病进展、免疫调节中的分子机制，为靶向 sEV 的治疗策略开发提供依据。

五、研究关键信息

• DOI：10.1038/s41592-023-02117-1
• 发表期刊：Nature Methods（2024 年 2 月，Volume 21）
• 主要发表单位：中国科学院北京生命科学研究院、中国科学院大学杭州高等研究院系统生物学重点实验室、中国科学院大学等
• 数据与代码：算法代码已开源（https://github.com/bioinfo-biols/SEVtras）；测序数据存入国家基因组科学数据中心（PRJCA017291），公共数据来源于 NCBI GEO、ArrayExpress 等数据库（GSE150599、GSE159929、E-MTAB-8410 等）。

SEVtras 的问世，为 sEV 研究提供了全新范式 —— 无需额外实验即可从海量 scRNA-seq 数据中挖掘 sEV 信息，大幅降低了 sEV 研究的技术门槛。随着算法的持续优化和临床应用的深入，SEVtras 有望在基础研究与临床诊断中发挥关键作用，推动 sEV 生物学领域的快速发展。

关注我们，持续为你解读生物信息学与单细胞技术领域的最新突破，探索生命科学研究的全新可能！