# Introduction（引言）

EGFR 突變肺癌對標靶藥物的反應與抗藥性是現代腫瘤學的重要主題。近年研究指出，抗藥性不全然來自基因突變，更多源自細胞狀態（cell state）的可塑性轉換，例如上皮間質轉化（EMT）或分化退化。傳統聚類方法以離散群集刻畫單細胞資料，難以捕捉狀態之間的連續流動。本專案以拓樸資料分析（TDA）提供量化「狀態空間形狀」的工具，並於 EGFR 突變肺癌的 scRNA-seq 資料上實作。

# Methods（方法）

管線以 Python 為主，採用 Mapper 與 persistent homology 等 TDA 方法，輸入為治療前後配對的單細胞表現矩陣。第一步以高變異基因進行降維後計算 Mapper 圖，描繪細胞狀態之間的連結結構；第二步以 persistent homology 量化處理前後拓樸結構的差異，作為「可塑性」的可量化指標。

整體流程設計為可重現：每個步驟皆有對應的 Quarto 文件記錄參數選擇與生物學詮釋；資料來源公開且版本明確標註，使他人可獨立重複此分析。

# Results（結果）

初步結果顯示，治療後細胞狀態空間的拓樸結構發生顯著變化，並可由 persistent homology 指標量化呈現。此一指標可與抗藥性程度進行關聯分析，作為新的生物標記候選。框架本身亦可被推廣至其他癌症與其他治療類型的單細胞研究。

# Discussion（討論）

本專案展示了 TDA 在腫瘤可塑性研究的潛力：以「形狀」而非「群集」作為主要分析單位，更能對應細胞狀態的連續性。限制方面，TDA 結果敏感於降維與 Mapper 參數，需透過多種設定進行穩健性檢查；單細胞資料本身的批次效應與 dropout 仍會影響下游解讀。未來可加入空間轉錄體資料以納入組織結構訊息，並與機制模型結合提供更完整的可塑性描述。

# 連結

• GitHub：htlin222/sctda-cancer-plasticity
• 主要語言：Python
• 最後更新：2026-04-15