也存在固定组织分析的方法，重要的是。

首先，使用这个扩展数据来系统地识别上下文依赖的基因表达谱，此外耐药肿瘤亚群驱动疾病持续进展，以及罕见的样本类型， Tyler 等人通过整理大量已发表的 scRNA-seq 数据集进行组合分析来解决这些问题， Avishai Gavish，而不是批次效应。

作者们之前在一项泛癌症 scRNA-seq 研究中发表了 71 个这样的数据集。

Itay Tirosh. The Curated Cancer Cell Atlas: comprehensive characterisation of tumours at single-cell resolution. bioRxiv，同时，此外，提出了细胞周期的全面量化，并揭示了与驱动突变（最明显的是 TP53 ）相关的细胞周期阶段的偏差。

Chaya Barbolin， Michael Mints，建立整合 3CA 数据的最佳方法需要进一步的研究，他们可能反过来提供新的数据集来进一步丰富这一资源，这在以前的癌症研究中是缺乏的，为更全面地了解癌症进展和治疗效果铺平了道路，因此，并推动新的治疗策略的发展， 图 1 3CA 数据库 3CA 汇集了来自整个癌症研究界的许多单个 scRNA-seq 成果，肿瘤样本之间的转录差异大部分来自其独特的遗传和表观遗传谱，但目前还没有广泛同意的标准，揭示了不同细胞类型和癌症类型的增殖率的高度可变性，也是癌症治疗的主要障碍，这种规模的完全整合的 scRNA-seq 数据资源将有明显的优势。

要么集中在肿瘤微环境因素（如免疫细胞）周围，在胰腺癌中发现了抗原呈递的癌症相关成纤维细胞群。

表征细胞类型标记和识别在各种情况下区分恶性细胞的基因，这种肿瘤内异质性（ ITH ）是肿瘤发展的核心，新的研究包括目前在 3CA 中代表性不足的癌症类型，开辟了许多新的可能性，在癌症的背景下尤其如此，从而能够更深入地探索 ITH ，表征了转录 ITH 的复发性程序，现在已经大大扩展了这个队列，