打破价格壁垒：不到200美元，如何精准解码数百万个免疫细胞？

我们都知道，人体内有一支强大的“护卫队”——免疫系统。其中，T细胞是这支队伍中的“特种兵”，它们能精准识别并消灭病毒、癌细胞等敌人。T细胞之所以能拥有这种“火眼金睛”，全靠它们表面的一种特殊装备：T细胞受体（TCR）。

每一个T细胞的TCR都是独一无二的，就像士兵的“身份证”或“武器编号”。要搞清楚我们的免疫系统到底在攻击谁、战斗力如何，科学家们就需要读取这些TCR的基因序列。但是，这在过去是一件非常让人头疼的事情：要么虽然便宜但读不准，要么读得准但贵得离谱。

近期，来自圣裘德儿童研究医院的研究团队在《Nature Methods》上发表了一项名为 TIRTL-seq 的新技术。这项技术通过巧妙的实验设计和算法创新，成功将“鱼”和“熊掌”兼得——它能以极低的成本（每板不到200美元），同时实现对数百万个T细胞的精准配对测序和定量分析。

1. 免疫测序的两难困境：要便宜还是要精准？

要理解TIRTL-seq的突破性，我们得先聊聊现在的困境。T细胞受体（TCR）是由两条链组成的：$\\alpha$链和$\\beta$链。这两条链就像是两把钥匙，必须同时存在且正确匹配，才能打开识别病原体的大门。

目前的测序技术主要分为两派：

• “大锅饭”派（Bulk TCR-seq）：这种方法把几百万个细胞混在一起测序。它的优点是便宜、通量大，能一次看很多细胞。但缺点很致命——它就像把所有钥匙拆散了扔进一个大桶里。你知道桶里有多少把A钥匙和B钥匙，但你完全不知道哪把A原本是配哪把B的。这对于研究T细胞的具体功能来说，信息是不完整的。

• “单间”派（Single-cell TCR-seq）：这是目前的“金标准”（比如10x Genomics技术）。它把每个细胞单独关在一个小油滴或小孔里测序，这样A和B的关系就一清二楚了。但这种“VIP服务”非常昂贵，且一次能处理的细胞数量有限（通常只有几千到几万个）。

这就造成了一个巨大的痛点： 想要做大规模的人群研究，或者想在数百万个细胞中寻找那些稀有的关键T细胞，现在的技术要么做不到，要么做不起。

2. TIRTL-seq：用巧妙的设计“以小博大”

为了解决这个问题，研究人员开发了 TIRTL-seq（Throughput-Intensive Rapid TCR Library sequencing）。它的核心思路非常有意思：既然给每个细胞单独建档太贵，那我们就把细胞分成几百个“小分队”来处理。

如图[1]所示，TIRTL-seq 的流程是这样的：

1. 微缩化反应：研究人员使用一种非接触式的液体分配技术，将反应体系微缩到384孔板中。每个孔里都进行独立的细胞裂解和反转录。这种微缩化大大节省了试剂，使得每块384孔板的成本降到了185美元左右。
2. 无需繁琐的清洗：通过优化的化学反应，他们省去了中间繁琐的清洗步骤，从细胞到制备好测序文库，整个过程只需要约7小时，动手时间不到4小时。

但这还只是解决了“便宜”的问题，怎么解决“配对”的问题呢？

这就涉及到了概率学的智慧。如果我们把1000万个细胞随机分配到几百个孔里，虽然每个孔里还是有很多细胞，但通过分析不同孔之间$\\alpha$链和$\\beta$链出现的模式，就有可能把它们配对回来。简单来说，如果链A和链B总是同时出现在同一个孔里，那它们很可能就来自同一个细胞。

研究团队测试了该方法的灵敏度。如图[1]中的图b和图c所示，相比于昂贵的商业试剂盒（CellsDirect），TIRTL-seq使用的自研配方不仅便宜，而且灵敏度极高。在单细胞测试中，它能检测到超过98%的细胞中的双链（图中绿色方块），性能甚至优于商业产品。

3. 算法神助攻：不仅靠“缘分”，更靠“默契”

如果说TIRTL-seq的实验设计是精巧的硬件，那么其背后的数据分析算法就是强大的软件核心。研究团队不仅优化了已有的配对算法（MAD-HYPE），让其在GPU上运行速度提升了近1000倍，还专门解决了一个困扰业界已久的难题：如何给那些“无处不在”的大克隆配对？

在传统的组合配对逻辑中，如果一个T细胞克隆数量非常多，出现在了所有的孔里，算法就会“懵圈”。因为它发现这个克隆的$\\alpha$链和所有的$\\beta$链都“共处一室”，根本分不清谁才是真正的原配。这就像在一个全员到齐的广场上，你很难判断哪两个人是一对。

为了解决这个问题，研究人员开发了一种名为 T-SHELL 的新算法。它的逻辑不再是简单的“在不在”，而是看“多不多”。

如图[2]中的c部分所示，T-SHELL算法利用了频率的相关性。即使某个大克隆在所有孔里都有，但它在每个孔里的细胞数量（频率）是有波动的。如果$\\alpha$链A是$\\beta$链B的“原配”，那么在$\\alpha$链A特别多的那个孔里，$\\beta$链B的数量通常也会特别多；反之亦然。通过计算这种“数量上的默契度”（相关系数），T-SHELL成功地从数万个干扰项中，精准地为那些高丰度的“显眼包”T细胞找到了另一半。

通过与昂贵的单细胞测序（10x Genomics）结果进行对比（图[2]b），TIRTL-seq不仅在低频克隆上表现优异，在高频大克隆的配对上也实现了惊人的一致性，填补了传统方法的盲区。

4. 实战演练：看清病毒感染后的“兵力部署”

光说不练假把式。为了验证TIRTL-seq在真实世界中的威力，研究团队追踪了一位COVID-19（新冠）感染者在感染前、急性期（确诊6天后）和康复期（确诊29天后）的血液样本。

这就好比在战场上安装了三个时间的摄像头，看看身体里的“特种兵”是如何调动的。

结果令人印象深刻。如图[3]所示，TIRTL-seq 清晰地捕捉到了两类完全不同的“战术动作”：

1. “快闪”突击队（新冠特异性T细胞）：这部分T细胞在急性期迅速扩增，数量激增以对抗病毒；但到了康复期，随着病毒被清除，它们的数量又迅速回落（图[3]b中橙色和绿色的点）。这种“召之即来，来之能战，战后隐退”的模式，符合我们对急性感染免疫反应的认知。
2. “常驻”守卫军（EB病毒特异性T细胞）：有趣的是，研究人员还意外发现了一些针对EB病毒（一种常见的潜伏病毒）的T细胞。与新冠T细胞不同，这些“守卫军”一旦被激活，就一直保持着高数量，稳稳地占据着免疫系统“热搜榜”的前列（图[3]d中红色的线）。这反映了身体为了压制慢性潜伏病毒，需要长期维持一直强大的监控力量。

通过这次“实战”，TIRTL-seq证明了自己不仅能定性（识别是谁），还能精准定量（数清有多少），完美复现了两种截然不同的病毒感染动态。

5. 性价比之王：用十分之一的价格，做十倍的事

如果把免疫组库测序比作一次深海捕鱼，那么TIRTL-seq和现有的技术比起来，到底强在哪儿？

研究团队进行了一场直接的“擂台赛”。他们对同一份样本同时使用了TIRTL-seq、商业化的10x Genomics单细胞测序以及传统的Bulk TCR测序。

结果显示，TIRTL-seq 简直是“降维打击”：

• 捕获能力惊人：如图[4]a所示，在对同一个时间点的样本检测中，TIRTL-seq 识别出的配对TCR克隆数量大约是10x Genomics的 4倍。这意味着它能看到更多原本被忽略的T细胞细节。

• 追踪更灵敏：当我们需要寻找那些随时间发生扩增或收缩的“关键T细胞”时，10x Genomics因为捕获的细胞数太少，往往会漏掉很多重要信息（如图[4]b所示，在基线到急性期的对比中，10x仅检测到34个扩增克隆）。而 TIRTL-seq 则展现出了与传统Bulk测序相当的深度探测能力，成功捕捉到了上千个（1,193个）发生动态变化的克隆，并且还附带了关键的配对信息。
• 填补拼图：最关键的是，对于那些在感染急性期大量扩增的T细胞，传统Bulk测序通常只能告诉你“有一群TCR$\\beta$链扩增了”，却不知道它们的搭档是谁。如图[4]c所示，TIRTL-seq 为这些扩增的TCR$\\beta$链中的绝大多数（1247/1511）找到了对应的$\\alpha$链配对，而10x Genomics只找到了不到一半。

总结来说，TIRTL-seq 结合了 Bulk 测序的深度（看得全、看得深）和单细胞测序的精度（能配对），而成本却不到商业单细胞试剂盒的十分之一。

6. 结语：免疫研究的“平民化”时代来了吗？

当然，TIRTL-seq 也并非完美无缺。由于它是基于概率统计的原理，对于那些在样本中数量极其稀少（少于3个细胞）的T细胞，它可能无法完成配对。此外，它目前只能提供TCR序列信息，无法像单细胞RNA测序那样同时提供细胞的基因表达谱。

但瑕不掩瑜，TIRTL-seq 的出现解决了一个长期困扰免疫学界的核心矛盾——如何在有限的预算下，对大规模人群或大规模细胞量进行精准的TCR配对研究。

想象一下，未来我们或许可以用这种低成本技术，对成千上万名患者进行免疫监测，快速筛选出针对癌症或病毒的特效T细胞受体，或者在疫苗临床试验中更精准地评估疫苗的保护力。TIRTL-seq 不仅仅是一个新方法，它更像是一把破局的锤子，正在打破免疫组学研究的高价壁垒，让精准医疗离普通大众更近一步。

论文信息

• 标题：TIRTL-seq: deep, quantitative and affordable paired TCR repertoire sequencing.
• 论文链接：https://doi.org/10.1038/s41592-025-02907-9
• 论文一键翻译：点击获取中文版 ➡️
• 发表时间：2025-11-24
• 期刊/会议：Nature methods
• 作者：Mikhail V Pogorelyy, Allison M Kirk, Samir Adhikari, ..., Paul G Thomas

---

本文由超能文献“资讯AI智能体”基于4000万篇Pubmed文献自主选题与撰写，并经AI核查及编辑团队二次人工审校。内容仅供学术交流参考，不代表任何医学建议。