1. 领域背景与文献
文献英文标题：SCITO-seq2: ultra-high-throughput single-cell transcriptome and surface protein profiling for large-scale immune cell analysis；发表期刊：Genome Biology；影响因子：未公开；研究领域：单细胞多组学技术、免疫细胞精准分析、自身免疫病生物标志物研究。
单细胞多组学技术的发展为解析细胞异质性、发现疾病生物标志物带来了革命性突破，关键节点包括2017年CITE-seq技术的问世，实现了单个细胞内转录组与表位谱的同时分析，推动了新细胞类型与状态的发现。当前研究热点聚焦于大规模单细胞研究，如组织图谱构建、发育轨迹绘制和扰动实验，但现有技术的通量局限性日益凸显：CITE-seq等经典多组学技术通量较低，难以满足百万级细胞的大规模分析需求；组合索引策略虽能实现高通量单细胞分析，但多模态（转录组+表面蛋白）整合能力不足；前期开发的SCITO-seq技术实现了超高通量蛋白谱分析，但RNA捕获效率较低，无法支撑全面的多组学研究。领域共识：大规模、高分辨率的单细胞多组学分析是解析复杂免疫微环境、挖掘自身免疫病精准生物标志物的核心需求，而现有技术在通量与多模态整合的兼顾上存在空白。针对这一问题，本研究开发了SCITO-seq2技术，旨在实现超高通量下单细胞转录组与表面蛋白谱的高效、精准同步分析，为大规模免疫细胞研究与自身免疫病机制解析提供技术支撑。
2. 文献综述解析
作者按单细胞多组学技术的通量水平与多模态整合能力，将现有研究分为三类：经典多模态低通量技术（如CITE-seq）、高通量单模态/有限多模态技术（如组合索引策略）、高通量蛋白组学技术（如SCITO-seq），系统评述了各类技术的优势与局限性，明确了本研究的创新方向。
现有研究的关键结论显示，CITE-seq技术可同时分析单个细胞的转录组与表面蛋白表位，能够发现传统技术无法识别的新细胞类型与状态，为免疫细胞异质性解析提供了高分辨率工具；组合索引策略通过多轮标记实现了百万级细胞的高通量分析，为组织图谱等大规模研究提供了可能，但这类技术大多聚焦于单模态（如转录组）分析，多模态整合能力不足；前期的SCITO-seq技术基于微流控与组合索引实现了超高通量的表面蛋白谱分析，但RNA捕获效率较低，无法满足全面的多组学分析需求。现有技术的局限性主要体现在：CITE-seq通量较低，难以支撑超过10^4细胞的大规模研究；高通量技术的多模态整合能力不足，无法同时实现转录组与表面蛋白的高效捕获；SCITO-seq的RNA捕获效率缺陷限制了其在多组学研究中的应用。本研究的创新价值在于，首次开发了SCITO-seq2技术，突破了现有技术的瓶颈：通过整合探针杂交捕获与夹板寡核苷酸杂交抗体技术，实现了>10^5细胞的转录组与表面蛋白同时分析；采用共享池条形码策略确保了多模态数据的精准匹配；兼容细胞哈希技术实现了多样本高效多重分析；同时具备成本优势，样本数越多经济性越显著，为大规模单细胞多组学研究提供了全新的技术范式。
3. 研究思路总结与详细解析
本研究的整体框架为“技术开发→性能验证→临床应用→机制解析”：首先构建SCITO-seq2超高通量单细胞多组学技术体系，通过健康供体PBMC样本验证其通量、数据质量与多模态匹配性；随后整合细胞哈希技术实现临床样本的多重分析，验证技术的兼容性与成本优势；进一步通过多组学数据整合分析评估细胞聚类分辨率的提升；最后将技术应用于儿童系统性红斑狼疮（SLE）与CTLA4单倍体不足伴自身免疫浸润（CHAI）患者样本，挖掘疾病特异性生物标志物与免疫病理机制。
3.1 SCITO-seq2技术体系构建与健康样本性能验证
实验目的：构建超高通量单细胞转录组与表面蛋白同步分析的技术体系，验证其通量、数据质量、多模态匹配性与解卷积能力。
方法细节：整合商业化探针-based全转录组捕获化学（Chromium Fixed RNA Profiling）与SCITO-seq的夹板寡核苷酸杂交抗体技术，为转录组与表面蛋白分子都添加预索引的池条形码（PBC），实现多细胞液滴的解卷积；将健康供体的外周血单个核细胞（PBMC）分为4个重复池，每个池用包含209种抗体的定制面板（夹板寡核苷酸偶联抗体）与商业RNA探针处理，合并后将约200,000个细胞加载到单个微流控通道生成凝胶珠包埋液滴（GEM）；通过模拟与实验结合评估碰撞率，通过与CITE-seq、SCITO-seq、AbSeq比较评估分子捕获效率，通过相关性分析验证转录组与蛋白表达的匹配性。
结果解读：实验碰撞率为10.69%，与模拟值11.95%高度接近，证明技术的可预测性；最终获得93,782个可分析细胞，其中69.94%来源于解卷积的多细胞液滴，显著提升了细胞回收率；与现有技术比较，SCITO-seq2的基因表达（GEX）UMI检测效率显著提升，中位数log10转换UMI计数为3.35（IQR:3.18-3.66），远高于前期SCITO-seq的1.64（IQR:1.36-1.98），同时保持了表面蛋白（ADT）的检测效率；解卷积后，不同细胞数液滴的GEX与ADT指标无显著差异，证明数据质量不受液滴细胞数影响；关键免疫标记物的RNA与蛋白表达相关性极高，如CD4的Pearson相关系数r=0.96，CD11c r=0.79，CD72 r=0.99，与公开CITE-seq数据的一致性良好。
产品关联：实验所用关键产品：10× Genomics Chromium Fixed RNA Profiling试剂盒、BioLegend TotalSeq系列抗体、Illumina NovaSeq 6000测序平台。
3.2 临床样本多重分析体系验证与成本评估
实验目的：验证SCITO-seq2与细胞哈希技术的兼容性，实现多临床样本的高效多重分析，评估技术的临床适用性与成本优势。
方法细节：采用“池条形码+细胞哈希”的双重条形码策略，对4例儿童SLE患者、2例CHAI患者与4例健康对照的PBMC样本进行处理，生成基因表达（GEX）、表面蛋白（ADT）与哈希寡核苷酸（HTO）三种文库；通过生物信息学分析进行池分离、样本解卷积、质量控制与数据整合，同时与公开CITE-seq数据进行兼容性验证；通过成本模型分析评估SCITO-seq2与常规单细胞测序的成本差异。
结果解读：池条形码特异性高，GEX与ADT的池间污染极低，确保了样本分配的可靠性；HTO解卷积后，样本的主成分分析（PCA）显示同组样本聚类、不同供体分离清晰，证明细胞哈希与SCITO-seq2的兼容性良好；与公开CITE-seq数据整合后，细胞类型分类完全一致，验证了数据的可比性；成本分析显示，当分析样本数约为9时，SCITO-seq2的单细胞成本与常规方法相当，样本数≥12时成本优势显著，更适合大规模研究；最终获得114,372个高质量细胞，为后续分析提供了充足数据。
产品关联：实验所用关键产品：BioLegend TotalSeq-B哈希抗体、10× Genomics Chromium Next GEM Chip Q、Illumina NovaSeq 6000测序平台。
3.3 多组学数据整合对细胞聚类分辨率的提升分析
实验目的：评估加入表面蛋白（ADT）数据对细胞聚类分辨率的提升作用，挖掘仅用转录组（GEX）数据无法识别的稀有细胞亚群。
方法细节：分别采用仅GEX数据与GEX+ADT整合数据进行无监督聚类，通过UMAP可视化、标记基因与蛋白表达分析比较两种聚类结果的差异；通过Jaccard指数计算评估聚类的重叠度，明确多组学整合的优势。
结果解读：GEX+ADT整合数据的聚类分辨率显著高于仅GEX数据，能够识别出仅GEX无法检测的稀有细胞亚群，包括CD56bright自然杀伤（NK）细胞、浆母细胞（PB）、cDC1树突状细胞、双阴性T（dnT）细胞与造血干祖细胞（HSPC）；这些亚群具有独特的标记基因与蛋白表达特征，如CD56bright NK细胞高表达CD56蛋白与XCL2、KLRC1基因，浆母细胞高表达MZB1与JCHAIN基因；Jaccard指数分析显示两种聚类结果存在显著差异，证明多组学整合能有效提升细胞异质性解析的分辨率。
产品关联：文献未提及具体实验产品，领域常规使用单细胞多组学分析软件（如Seurat v5、totalVI、scclusteval）。
3.4 自身免疫病样本的生物标志物挖掘与机制解析
实验目的：应用SCITO-seq2技术分析儿童SLE与CHAI患者的免疫细胞，挖掘疾病特异性表面蛋白生物标志物，解析免疫病理机制。
方法细节：将本研究的SLE样本与公开的成人/儿童SLE单细胞数据进行整合分析，通过差异蛋白表达（DEP）分析、干扰素（IFN）评分、细胞毒性评分与转录调控网络（SCENIC）分析，评估疾病的免疫特征；对CHAI样本进行DEP分析、差异基因表达（DEG）分析与功能富集，揭示CHAI的免疫病理特征；通过相关性分析评估生物标志物与疾病活动度的关联。
结果解读：SLE样本中单核细胞比例显著高于健康对照，IFN评分与细胞毒性评分升高，与公开SLE数据的免疫特征一致；DEP分析发现CD223蛋白在SLE样本中显著升高（调整后P<0.05，log2倍数变化>log2(1.5)），同时有21种蛋白显著降低；CD223蛋白表达与SLE疾病活动指数（SLEDAI）的相关性显著优于其转录本LAG3，证明蛋白水平检测对疾病活动度评估的价值更高；CHAI样本中CD103蛋白在单核细胞中显著升高，DEG分析显示免疫细胞迁移通路基因显著富集，揭示了CHAI患者免疫细胞的组织驻留特征。
产品关联：文献未提及具体实验产品，领域常规使用差异分析软件（如limma、memento）、转录调控分析软件（SCENIC）、生物信息学整合工具（Harmony、scVI/scANVI）。
4. Biomarker研究及发现成果解析
本研究通过SCITO-seq2的高通量多组学分析，发现了2种自身免疫病特异性表面蛋白生物标志物：儿童SLE的CD223与CHAI的CD103，明确了其表达特征、与疾病的关联及临床价值。
Biomarker定位方面，CD223属于免疫抑制性受体表面蛋白，筛选逻辑为：基于SCITO-seq2的SLE与健康对照样本多组学数据，通过DEP分析筛选差异表达蛋白→验证其与疾病活动度的相关性→与转录本比较明确蛋白水平的优势；CD103属于组织驻留相关表面蛋白，筛选逻辑为：基于CHAI与健康对照样本的多组学数据，通过DEP分析筛选单核细胞中差异表达蛋白→功能富集分析明确其免疫病理关联。
研究过程详述：CD223来源于儿童SLE患者的PBMC样本，验证方法为ADT定量检测，特异性表现为仅在SLE样本中显著升高，敏感性数据显示其与SLEDAI评分的Pearson相关系数高于转录本LAG3（文献未明确提供具体r值，基于图表趋势推测）；CD103来源于CHAI患者的PBMC单核细胞亚群，验证方法为ADT定量检测，特异性表现为仅在CHAI单核细胞中显著升高，功能富集分析显示其与免疫细胞迁移通路相关，样本量为CHAI患者n=2，健康对照n=4，调整后P<0.05。
核心成果提炼：CD223作为儿童SLE的疾病活动度相关生物标志物，其蛋白表达与SLEDAI评分的相关性优于转录本，首次明确了蛋白水平检测在SLE疾病活动度评估中的更高价值，统计学结果为调整后P<0.05，样本量n=4（SLE）+4（健康）；CD103作为CHAI的潜在生物标志物，首次在单细胞水平揭示了CHAI患者单核细胞的组织驻留特征，为这一罕见自身免疫病的机制解析提供了新方向，统计学结果为调整后P<0.05，样本量n=2（CHAI）+4（健康）；两种生物标志物的发现均证明了SCITO-seq2技术在自身免疫病精准生物标志物挖掘中的优势。