Neftel 式 GBM 状态判定能否跨平台复现？GlioState 再分析（初稿）
待审阅 版本 0.1.0 · 状态：初稿 · 最近专家审阅：尚未审阅
研究问题
- GBM 细胞状态判定能否在独立平台上复现，状态结构是否超出特征基因本身？
- 简单基线能还原多少？
当前认识
在 GlioState 对公开数据（GSE131928）的再分析中，肿瘤水平的状态构成在 Smart-seq2 与 10X 之间中等程度复现（6 个共有肿瘤、24 个肿瘤×状态值的 Spearman ρ=0.82；优势状态 6 例中 4 例一致）；不使用任何特征基因的分类器在留出的 10X 细胞上还原了基于特征基因的状态判定，平衡准确率 0.75（随机水平 0.25；单标志基因基线 0.53）。这只检验状态定义的可重复性，并非对任何治疗反应或虚拟细胞模型的检验，且标签不是金标准。
选择该问题的原因：文献库中没有 GBM 特异的状态预测模型基准；其他体系的扰动预测基准报告深度模型尚不能稳定超越简单基线。GBM 虚拟细胞首先需要跨数据集、跨平台可复现的状态标签。 VC0048 VC0049 VC0050 VC0059
结果概要：基于 Neftel 元模块的状态判定带有可跨平台迁移的全转录组结构，明显高于随机水平和单标志基因基线，但肿瘤间差异很大（单肿瘤平衡准确率 0.50–0.86），且 OPC 样、AC 样细胞常被误判为 MES 样。 VC0059
证据图谱
原始研究与数据集
- VC0059 An Integrative Model of Cellular States, Plasticity, and Genetics for Glioblastoma. — Neftel C et al., Cell, 2019
- VC0060 Charting the single-cell and spatial landscape of IDH-wild-type glioblastoma with GBmap. — Ruiz-Moreno C et al., Neuro-oncology, 2025
- VC0069 A single-cell atlas of glioblastoma evolution under therapy reveals cell-intrinsic and cell-extrinsic therapeutic targets. — Wang L, Jung J, Babikir H, Shamardani K, Jain S, Feng X, Gupta N, Rosi S, Chang S, Raleigh D, Solomon D, Phillips JJ, Diaz AA., Nature cancer, 2022
- VC0092 · 预印本 Mapping the spatial architecture of glioblastoma from core to edge delineates niche-specific tumor cell states and intercellular interactions — Khan SM et al., bioRxiv, 2025
相关模型与工具
- VC0048 Deep-learning-based gene perturbation effect prediction does not yet outperform simple linear baselines. — Ahlmann-Eltze C, Huber W, Anders S., Nature methods, 2025
- VC0049 Benchmarking foundation cell models for post-perturbation RNA-seq prediction. — Csendes G, Sanz G, Szalay KZ, Szalai B., BMC genomics, 2025
- VC0050 Zero-shot evaluation reveals limitations of single-cell foundation models. — Kedzierska KZ, Crawford L, Amini AP, Lu AX., Genome biology, 2025
扰动与验证证据
- VC0070 In vivo perturb-seq of cancer and microenvironment cells dissects oncologic drivers and radiotherapy responses in glioblastoma. — Liu SJ et al., Genome biology, 2024
本页引用文献库条目 8 条，其中预印本（未经同行评审）1 条。
关系
实体之间的类型化关系，每条均有文献库条目支撑（角色＝该条目与关系的关联方式）。低置信度行需编辑复核。 全部实体 →
| 主语 | 关系 | 宾语 | 置信度 | 证据（角色） |
|---|---|---|---|---|
| Neftel 元模块 | 标志 | 间充质样状态 | 中 | VC0059 支持 由 Neftel 元模块得到的特征得分判定并非真值；GlioState 再分析所用特征为未经核验的第三方转录。 |
| Neftel 元模块 | 标志 | 神经祖细胞样状态 | 中 | VC0059 支持 由 Neftel 元模块得到的特征得分判定并非真值；GlioState 再分析所用特征为未经核验的第三方转录。 |
| Neftel 元模块 | 标志 | 少突胶质前体细胞样状态 | 中 | VC0059 支持 由 Neftel 元模块得到的特征得分判定并非真值；GlioState 再分析所用特征为未经核验的第三方转录。 |
| Neftel 元模块 | 标志 | 星形胶质细胞样状态 | 中 | VC0059 支持 由 Neftel 元模块得到的特征得分判定并非真值；GlioState 再分析所用特征为未经核验的第三方转录。 |
| Neftel 四状态框架 | 使用数据集 | GSE131928 | 中 | VC0059 数据集 该登录号取自 GlioState 再分析文本（Neftel 等数据位于 GEO）。 |
本页涉及的实体
- 星形胶质细胞样状态 细胞状态
- 胶质母细胞瘤 疾病
- GSE131928 数据集
- 间充质样状态 细胞状态
- Neftel 四状态框架 方法与概念
- Neftel 元模块 方法与概念
- 少突胶质前体细胞样状态 细胞状态
方法与结果（本站自行分析）
这是 GlioState 对公开数据的探索性再分析，并非同行评审结论。输出文件：results/results.json · results/E1_shared_tumor_composition.csv · README.md（分析脚本本身未在本站发布）
数据与许可
数据：GEO GSE131928（Neftel 等；仅处理后 TPM）：Smart-seq2 7,930 个细胞（GSM3828672，约 311 MB）与 10X 16,201 个细胞（GSM3828673，约 358 MB），来自 28 例肿瘤；其中 6 例（MGH102、105、115、124、125、143）两种平台均有。GEO 公开数据，未独立核查再使用条款。特征基因：第三方 GitHub 对 Neftel 元模块的转录（无许可文件，未对照论文补充表核验）。已确认论文正文提到的标志基因位于预期模块，AC 模块仅 39 个基因。 VC0059
设计（查看结果前确定）
方法：对四个合并状态（MES、AC、OPC、NPC）采用 Tirosh 式“表达量匹配对照基因扣除”的均值评分，取最高分为状态。去除免疫标志基因细胞（PTPRC、CD14 或 CD68 在 log2(TPM/10+1) 尺度 >2）；未做基于拷贝数的恶性细胞识别。E1：6 个共有肿瘤在两平台间的构成一致性。E2：用 10X 中未出现的 22 例肿瘤的 Smart-seq2 细胞训练逻辑回归分类器，使用除全部特征基因和标志基因外变异最大的 1,500 个基因，在全部 7,930 个保留的 10X 细胞上测试（外部平台；两平台分别标准化，未使用测试标签）。基线：多数类、每状态单一标志基因（GFAP、OLIG1、DCX、VIM）、标签置换（100 次）；不确定性用按肿瘤聚类的 bootstrap 与留一肿瘤交叉验证。
结果
| Metric | Value |
|---|---|
| E1 composition concordance (6 shared tumors, 24 values) | Spearman ρ = 0.82; tumor-shuffle permutation p = 0.004; dominant state matched in 4/6 tumors |
| E2 balanced accuracy, signature-free classifier → 10X | 0.746 (tumor-cluster bootstrap 95% CI 0.67–0.84); macro-F1 0.69; Cohen κ 0.59 |
| Majority-class baseline | 0.25 (κ 0) |
| Single-marker baseline (GFAP/OLIG1/DCX/VIM) | 0.53 (macro-F1 0.46; κ 0.27) |
| Label-permutation null | mean 0.24; 95th percentile 0.27 |
| Leave-one-tumor-out within Smart-seq2 (22 tumors) | median 0.69 (IQR 0.58–0.73) |
| Per-tumor balanced accuracy on 10X (9 tumors) | range 0.50 (MGH126) – 0.86 (MGH115) |
| Cells with small score margin (<0.1; n=393) | balanced accuracy 0.40 vs 0.76 for confident cells |
效应量需与失败情形一并解读：MGH105 的 MES 样比例在 Smart-seq2 为 26%，在 10X 为 72%；MGH125 的 NPC 样比例为 66% 对 35%；MGH124 的 OPC 样为 29% 对 7%。分类器将 2,667 个参考 AC 样细胞中的 632 个、1,805 个参考 OPC 样细胞中的 591 个判为 MES 样。10X 的 MES 样总体比例（36%）高于 Smart-seq2（16%）。
首次运行存在错误（10X 数据未取对数、免疫过滤过严），已更正；错误版的首次运行输出不在本站发布。
尚不确定之处
标签是特征基因评分的判定而非金标准；E2 显示特征基因之外也存在结构，但训练与评估使用同一套标签，部分循环。未能使用独立的基因型或谱系示踪验证。 VC0059
特征基因为未经核验的第三方转录，未使用官方补充表。
未通过拷贝数推断识别恶性细胞；粗略标志基因过滤去除了 51% 的 10X 细胞与 20% 的 Smart-seq2 细胞，残留的非恶性星形/少突谱系细胞可能抬高 AC/OPC/MES 判定。两平台 MES 样比例差异可能来自技术因素（如应激反应、环境 RNA）而非生物学，未检验。
仅 28 例肿瘤，其中 6 例两平台共有，且主要来自同一中心；未在 GBmap（独立的 26 数据集图谱）或其他队列中检验，也未评估空间及治疗相关状态。 VC0060 VC0069
本分析未检验任何扰动或治疗反应模型，也未评估治疗下状态转变是否可预测。 VC0070 VC0092 · 预印本
仅供科研与教育参考，不构成医疗建议，也不构成对任何诊疗或产品的推荐。患者请咨询主治医生。