科学更正（2026-07-19）： 早期页面曾将相关性图写成 3×2 Spearman，而配套代码生成的是 5×5 Pearson；肿瘤散点图还曾把全细胞 AXL 中位数解释为恶性细胞状态。相关图和解释已撤回。本文现由同一可执行脚本生成结果：MITF-like 与 AXL-like 仅在 malignant cells 内汇总，T exhaustion 仅在 T cells 内汇总；QC 图固定为三类 compartment-specific score × 两个 QC 指标的 Spearman 相关。
这篇文章是在 Tirosh et al. 黑色素瘤单细胞基础复现上的加深分析。主体复现已经证明 GSE72056 能恢复 malignant cell、T cell、B cell、macrophage、CAF、endothelial 和 NK cell 等主要结构；加深分析继续检查作者 revised matrix 中的恶性/非恶性标签能支持怎样的肿瘤间组成对照，MITF/melanoma 程序与 AXL-like 程序在不同肿瘤中是否呈现差异，T cell exhaustion score 是否主要集中在淋巴细胞 compartment，以及这些结论在公开 processed matrix 层面的解释边界。
为什么需要加深分析？
Tirosh et al. 这篇黑色素瘤单细胞论文是肿瘤微环境复现里的经典案例。普通复现可以回答“细胞群能不能分出来”，但深度复现更关注“这些分出来的群体能不能回到源论文主线”：恶性细胞状态、患者间差异、MITF/AXL-like 程序、免疫 compartment 和 T cell exhaustion。
这类数据如果只画 UMAP，很容易失去重点。肿瘤单细胞的关键不等于 cluster 数；patient/tumor-of-origin、malignant status、cell group composition 和程序评分之间的关系。本文把作者 processed matrix 中编码的标签作为主线，把单细胞图谱推进到 tumor-level summary。
这里所谓“深度”，不能把图画得更多，也不能把标题写得更重；关键在于把同一组公开数据拆成四层证据来读。第一层是细胞身份：恶性细胞和免疫、基质、内皮细胞是否能被 marker 支持。第二层是样本来源：不同肿瘤的 malignant fraction、T cell fraction 和 macrophage fraction 是否存在明显差异。第三层是表达程序：MITF-like、AXL-like 和 T cell exhaustion 这些程序是否出现在合理的细胞 compartment 内。第四层是边界：公开 processed matrix 能支持表达结构和程序方向，但不能越界声称重新完成 read-level QC、CNV 推断或治疗反应解释。
这个视角对真实项目需要先确认。很多肿瘤单细胞旧数据不等于“缺一张 UMAP”；缺少把样本、细胞类型、表达程序和结论边界串起来的证据链。如果一个项目只说“某个 cluster 高表达某个 marker”，很容易把患者组成差异、恶性细胞状态差异和免疫细胞比例变化混在一起。Tirosh 这组数据适合做深度复现，正是因为它同时提供了 malignant/non-malignant 标签、tumor-of-origin 和多个可解释的表达程序。
论文和公开数据来源
论文、数据和公开矩阵信息如下。这里先把来源和矩阵层级交代清楚。
| 项目 | 内容 |
|---|---|
| 论文 | Tirosh et al., Science 2016 |
| 论文题名 | Dissecting the multicellular ecosystem of metastatic melanoma by single-cell RNA-seq |
| DOI | 10.1126/science.aad0501 |
| PubMed | PMID 27124452 |
| 公开数据 | NCBI GEO GSE72056 |
| 公开文件 | GSE72056_melanoma_single_cell_revised_v2.txt.gz |
复现边界： GEO 页面说明 reads 将通过 dbGaP 提供，公开直接可下载的是 revised processed matrix。本文因此定位为公开 processed matrix 与作者标签层面的深度复现，不等于 FASTQ 级重新比对，不复刻完整 CNV 推断和所有原文统计模型。
这个边界会影响文章中所有结论的语气。本文可以严肃讨论“公开矩阵中是否还能看到 malignant cell 与免疫微环境的分离”“不同肿瘤是否呈现不同组成”“代表性程序 score 是否在合理 compartment 内增强”；但不会把这些结果写成临床结局、治疗敏感性或机制因果。对于黑色素瘤这类肿瘤数据，严谨的复现价值恰恰在这里：先把可公开验证的证据讲清楚，再说明哪些问题需要原始 reads、CNV 推断、临床信息或独立队列继续支撑。
数据规模和作者标签
公开矩阵进入分析前，先确认数据层级和规模。
| 项目 | 数值 |
|---|---|
| 细胞 | 4,645 |
| 过滤后基因 | 21,120 |
| 肿瘤样本 | 19 |
| 恶性细胞 | 1,257 |
| T cells | 2,040 |
| 无监督 clusters | 23 |
图 1. 按作者 revised matrix 中的 malignant status 着色。恶性细胞、非恶性细胞和 unresolved 细胞在表达空间中形成清楚结构，这是后续深度复现的前提。
这个 UMAP 的作用不等于证明“聚类成功”这么简单。它先回答一个更基础的问题：作者在 revised matrix 中提供的 malignant status 是否和表达空间大体一致。如果 malignant、non-malignant 和 unresolved 在图上完全混杂，后面的 tumor-level 程序分析就会失去基础。当前结果显示恶性和非恶性细胞形成相对清楚的表达结构，因此可以继续把恶性细胞程序和免疫 compartment 分开讨论。
同时也要注意，作者标签在这里既是优势也是限制。优势是它让公开 processed matrix 能直接进入肿瘤生态系统层面的复核；限制是恶性身份不等于本文从原始 reads 和 CNV 重新推断得到的。因此本文把它称为“作者标签层面的深度复现”，而不等于“从零重建全部恶性细胞判定流程”。
这一点对肿瘤数据尤其重要。普通组织图谱里，细胞身份多半可以依赖 canonical marker 和参考注释；肿瘤数据里，malignant cell 的身份常常需要结合 CNV、患者来源、恶性 marker、表达程序和原文判定。Tirosh 的公开 revised matrix 已经带有作者恶性标签，本文可以使用它来组织分析，但不能把这个标签当成本文重新推断出的结论。后面所有 MITF-like、AXL-like 和 tumor-level 解释，都建立在这个边界上。
数据规模也决定了后文该怎么读。4,645 个细胞来自 19 个肿瘤样本，恶性细胞 1,257 个，T cells 2,040 个。这个设计适合讨论肿瘤间组成和 compartment 内程序，但不适合把每个肿瘤都当作同等稳定的统计单位。某些肿瘤中恶性细胞或 T cell 数量偏少，程序 score 会更容易受少数细胞影响。深度复现必须把细胞数和肿瘤来源一起写出来，否则读者只能看到一个看似完整的平均图。
这篇肿瘤数据最容易被误读的地方
Tirosh 这类肿瘤单细胞数据有三个常见误读。第一个误读是把 malignant cell 的程序变化当成全体肿瘤微环境变化。恶性细胞、T cell、macrophage、CAF、endothelial 这些 compartment 的表达逻辑完全不同，MITF/AXL-like 轴主要应该在 malignant cell 内部讨论，T cell exhaustion 则要放回 T cell compartment。
第二个误读是忽略 tumor-of-origin。肿瘤间组成差异可能比 cluster 间差异更影响结论。一个 T cell-rich 肿瘤和一个 malignant-rich 肿瘤在全体细胞层面比较，得到的差异很可能只是组成比例变化；如果不回到 tumor-level summary，文章会把样本差异误写成细胞状态差异。
第三个误读是把 score 当成机制证据。MITF-like、AXL-like、exhaustion score 都是由代表基因压缩得到的表达指标。它们能帮助复核原文讨论的方向，能筛出值得继续分析的肿瘤和 compartment；但它们不能替代完整状态模型、功能实验、治疗反应数据或原始 reads 支撑的 CNV 推断。
深度分析方法与流程
本文的处理顺序从数据层级开始：读取 GSE72056 revised processed matrix，保留作者编码的 tumor、malignant status 和 non-malignant cell type 标签；复核基础 QC、UMAP、cell group、tumor-of-origin 和 canonical marker dotplot；基于公开矩阵计算 melanoma/MITF-like、AXL-like 和 T cell exhaustion 相关 score；把单细胞 score 汇总到 tumor 层面，观察肿瘤间 malignant fraction、T cell fraction 和程序中位数；单独检查 malignant cell 中 MITF/melanoma 与 AXL-like 程序关系，以及 T cell compartment 中 exhaustion score 的分布；将结论限定在 processed matrix + 作者标签层面，不替代 dbGaP 原始 reads 或源论文完整模型。这组处理先确认公开矩阵能支撑哪些问题，再把结果图解释限制在当前证据内。
细胞生态系统：不只是恶性细胞
图 2. 按 cell group 着色。GSE72056 的价值来自同时包含恶性细胞和免疫/基质微环境细胞，因此分析不能只围绕 melanoma marker 展开。
图 2 的重点是把“黑色素瘤细胞”从“黑色素瘤组织样本”里拆出来。转移性黑色素瘤样本包含恶性细胞，也包含 T cells、B cells、macrophages、CAF、endothelial cells 和 NK cells。不同 compartment 的表达程序不能互相替代。MLANA/PMEL/MITF 指向 melanoma lineage，PDCD1/LAG3/HAVCR2/CTLA4 更适合放在 T cell 中解释，COL1A1 相关信号则更接近 CAF。
如果不先拆 compartment，后面的程序评分很容易跑偏。一个全体细胞的 AXL-like score 可能受 malignant fraction 影响，一个全体细胞的 exhaustion score 可能只是 T cell 比例高。本文后面所有 program score 都会回到合适 compartment 内读，这个原则来自图 2 的分层。
图 3. canonical marker dotplot。MLANA/PMEL/MITF 支持 melanoma 恶性细胞方向；CD3D/CD3E 支持 T cell；CD79A/MS4A1 支持 B cell；LST1/C1QA 支持 macrophage；COL1A1 支持 CAF；PECAM1 支持 endothelial。
marker dotplot 是这篇文章的第一道质量门。黑色素瘤数据里最容易出错的地方，是把所有表达程序都贴到 malignant cell 上，或者把免疫细胞中的激活/耗竭信号和恶性细胞状态混为一谈。图 2 和图 3 连起来看，可以确认本文后续把 melanoma/MITF-like 程序主要放在 malignant cell 中解释，把 T cell exhaustion 放在 T cell compartment 中解释，这个分层是有 marker 证据支持的。
这里还可以看出一个常见旧项目痛点：如果只拿到一个 Seurat/h5ad 对象，里面的注释往往已经存在，但不一定适合直接写进文章或汇报。更稳妥的做法是重新检查 canonical marker、样本来源、细胞群组成和表达程序是否互相支持。Tirosh 这篇的公开矩阵给了一个很好的示范：注释不等于终点，注释后面的证据链才是能否复用的关键。
marker dotplot 还提供了一个反向检查。若某个 cell group 的 canonical marker 不支持标签，后面的 tumor-level 分析就要降级。macrophage 群体需要看到 LST1/C1QA 等髓系相关信号，CAF 需要看到 COL1A1 方向，endothelial 需要 PECAM1 等血管相关 marker。只有这些基础标签站住，才能进一步谈“肿瘤生态系统”。
本文没有把所有非恶性细胞都写成“免疫微环境”。这是肿瘤单细胞写作里很常见的偷懒。T cell、B cell、macrophage、CAF、endothelial 和 NK cell 对后续解释的贡献不同：T cell 关系到 exhaustion，macrophage 关系到髓系炎症或免疫抑制背景，CAF 关系到基质结构，endothelial 关系到血管 compartment。深度复现要把这些差异保留下来。
肿瘤层面组成：patient/tumor-of-origin 是解释主轴
图 4. 每个肿瘤样本的 malignant、T cell、macrophage 和 unresolved fraction。深度复现把单细胞结果汇总到 tumor-level，帮助观察不同肿瘤的组成差异。
这张图回答的是来源和比例问题。它适合用来发现样本不平衡、分组偏移或需要子集分析的地方；更强的生物学解释还要结合原文设计和额外证据。
组成和交叉表需要回到采样、分选和处理流程里解释。它能说明当前公开矩阵中哪些群体被观察到、哪些标签互相吻合，但不能直接外推成组织真实比例、临床差异或完整空间生态。
图 5. malignant fraction 与 T cell fraction 的关系，并用颜色表示 malignant cells 内的 AXL-like program median。没有恶性细胞或恶性细胞过少的肿瘤不能据此形成稳定状态结论。
这一步是加深分析与主体复现的区别。UMAP 告诉我们“有哪些群体”，而 tumor-level summary 进一步回答“每个肿瘤中这些群体如何组合”。肿瘤间组成差异不能被简单当成批次噪声，因为它是肿瘤微环境数据的重要生物学信息之一。
图 4 里可以看到，肿瘤样本之间不等于同一种细胞构成的简单重复。比如 Tumor 78 的 malignant fraction 在公开矩阵中最高，约 91.6%；Tumor 75 的 T cell fraction 最高，约 98.3%；Tumor 53 则在 AXL-like program median 上最突出。这些数字不能直接写成临床机制，但它们能帮助读者理解：同一篇黑色素瘤单细胞文章里，有些样本更适合讨论恶性细胞程序，有些样本更适合讨论免疫 compartment，有些样本则需要特别注意细胞数量和样本构成。
这也是肿瘤单细胞复现最容易“看起来做了很多、实际结论很薄”的地方。如果只在全体细胞上做平均，T cell-rich 肿瘤和 malignant-rich 肿瘤会被混在一起；如果只在 UMAP 上圈 cluster，又会忽略 patient/tumor-of-origin。深度复现必须把单细胞结果重新汇总到样本层面，因为后续任何关于肿瘤生态系统的解释，都离不开样本层面的组成背景。
图 5 把这种样本层级关系进一步压缩成一个散点框架。横轴和纵轴把 malignant fraction 与 T cell fraction 放在一起，颜色再叠加 AXL-like program median。这样读图的好处是，读者可以同时看到细胞组成和恶性细胞状态线索，而不是在多个分离图之间来回猜。一个 malignant-rich 肿瘤和一个 T cell-rich 肿瘤，即使都来自同一个 GEO 数据集，适合追问的问题也不同。
这里需要刻意避免过度解释。tumor-level scatter 不是临床关联图，没有治疗分组、预后终点或空间定位。它的作用是帮助文章形成分析路线：先按肿瘤样本识别组成差异，再决定在哪些样本中读 malignant program，在哪些样本中读 T cell exhaustion，哪些样本因为细胞数少只能作为线索。
对旧项目重分析来说，这一节的价值很高。很多肿瘤单细胞对象已经有细胞类型标签，但没有被整理成 patient/tumor-level summary。结果就是图很多，项目讨论时仍然回答不了“这个患者主要差在哪里”。把 cell group composition 汇总回样本层面，是把单细胞数据转成项目判断的关键步骤。
MITF/melanoma 与 AXL-like 程序
图 6. melanoma/MITF-like 程序在不同 cell group 中的分布。该程序应主要由恶性 melanoma 细胞承载。
图 6 先检查 MITF/melanoma 程序是否落在合理的细胞群。MLANA、PMEL、MITF 这类 marker 如果在 malignant cell 中更集中，说明这个 score 至少没有明显跑到 T cell 或 macrophage 上。这个检查看似简单，但它能挡住一个常见错误：拿全体细胞的 program score 做排名，然后把结果解释成恶性细胞状态。
这里的逻辑是从 compartment 到 program。先确认 malignant cell 身份，再在 malignant cell 内部读 MITF-like 和 AXL-like；如果跳过这一步，后面的程序轴会被微环境组成污染。
图 7. AXL-like program score 分布。AXL/VIM/NGFR 方向可用于观察源论文中讨论的恶性细胞状态差异。
图 7 的 AXL-like 程序也要按同样方式读。AXL、VIM、NGFR 等方向可以提示源论文讨论过的状态差异，但 score 高并不自动等于一个稳定亚型。它需要结合 malignant cell 数量、tumor-of-origin、MITF-like 方向和 QC 相关性一起判断。
图 8. 选取含恶性细胞的肿瘤，比较 MITF-like median、AXL-like median 和二者差值。图中缩短 tumor 标签并保留 malignant cell 数量，便于判断哪些样本的程序方向更稳定，哪些样本需要谨慎读取。
图 6-8 是本文关键的深度分析之一。MITF-like 程序更接近传统 melanoma differentiation/proliferation 方向，AXL-like 程序则常被用来讨论另一类恶性细胞状态。本文没有把这两个 score 写成完整分型；应先问一个更可控的问题：在作者标签给出的 malignant cell 内，公开矩阵是否还能看到肿瘤间程序方向差异。
结果显示，Tumor 78、Tumor 59、Tumor 88、Tumor 80、Tumor 79 等样本在 MITF-like median 上相对更高；Tumor 53 在 AXL-like median 上最突出，但它只有 16 个恶性细胞，因此适合被看作“值得进一步检查的信号”，不适合直接写成稳定亚型结论。Tumor 81、Tumor 82 等样本则提示 MITF-like 方向较低或 MITF-AXL axis 偏低。这个层面的分析比单个 marker UMAP 更有价值，因为它把“恶性细胞状态”从单个细胞点推进到肿瘤样本层面。
MITF/AXL-like 轴的解释必须谨慎。本文只是根据公开矩阵中的代表基因计算 score，目的是复核主要方向是否可见；它不等于完整复刻源论文的状态模型，也不能直接推导治疗敏感性。要把这个轴用于机制或治疗相关解释，还需要更完整的原始数据处理、恶性细胞 CNV/拷贝数证据、患者临床信息、批次控制和独立队列验证。
这组图用于检查恶性细胞程序，不能据此宣称已经完成黑色素瘤状态分型。重点有三项：score 是否主要落在 malignant compartment；不同肿瘤的 program median 是否有差异；差异是否受到 malignant cell 数量影响。Tumor 53 的例子说明了为什么这三项要一起看。它的 AXL-like median 突出，但恶性细胞数有限，文章可以把它写成值得回到原文和更多数据中检查的信号，不能直接写成稳定状态。
如果要把 MITF/AXL-like 轴继续做深，下一步应当只在 malignant cells 内部分析，并结合每个肿瘤的 malignant cell 数量、检测深度、patient label 和原文状态定义。更进一步，还要做 CNV 或 malignant identity 复核，确认参与程序比较的细胞确实属于恶性 compartment。公开 processed matrix 能提供方向，但不能替代这些确认步骤。
这个边界本身就是文章的深度。深度复现需要说明 program score 适合回答哪一层问题，不能画完 score 就结束。本文能回答“公开矩阵中 MITF-like 和 AXL-like 方向是否仍可见，以及哪些肿瘤样本显示出不同方向”；暂时不能回答“这些状态是否导致治疗敏感性差异”。
T cell exhaustion：免疫 compartment 的局部问题
图 9. exhaustion score 按 cell group 分布。PDCD1/LAG3/HAVCR2/CTLA4/TIGIT 这类信号应主要在 T cell compartment 中解释。
图 9 的目的，是检查 exhaustion score 是否主要集中在 T cell compartment，而不是证明每个 T cell 都处在耗竭状态。PDCD1、LAG3、HAVCR2、CTLA4、TIGIT 等基因如果在 T cell 之外被拿来解释，结论就会混乱。把 score 先放回 T cell 内部，才能继续讨论肿瘤间 T cell 状态差异。
T cell exhaustion 在黑色素瘤单细胞文章里很有吸引力，但也很容易被写过头。score 高只是表达层面的线索，不能直接等同于功能耗竭、抗原特异性 T cell 或免疫治疗反应。本文把它限定为公开矩阵层面的 exhaustion-like 表达程序复查。
图 10. T cell 数量较多肿瘤中的 exhaustion median。这个图强调 exhaustion 需要在 T cell 内部读，而不等于混合所有细胞后读。
图 10 进一步把 exhaustion median 汇总到 tumor 层面。这样做的意义和 malignant program 类似：如果只看全体 T cell 的分布，读者不知道差异是否由某几个 T cell-rich 肿瘤主导；按 tumor 汇总以后，可以看到哪些样本在 T cell compartment 内部呈现更高 exhaustion-like 信号。
图 11. 程序 score 与检测基因数/总表达量的 Spearman 相关性检查。图中只保留三类程序 score 对两个 QC 指标的关系，避免把 5x5 相关矩阵塞成难读图。
T cell exhaustion 这一节的关键，是不能把它当成全体细胞的平均属性。图 9 先显示 exhaustion score 主要在 T cell compartment 中增强；图 10 再把 T cell 数量较多的肿瘤单独拿出来比较。比如 Tumor 75、Tumor 89、Tumor 79、Tumor 74 和 Tumor 71 在 T cell 内部的 exhaustion median 相对更高，而 Tumor 94、Tumor 72、Tumor 53 等样本相对较低。这个结果适合描述为“公开矩阵中可见的 T cell exhaustion 方向差异”，不适合扩大成完整免疫逃逸机制。
图 11 是一个必要的技术检查。按正确 compartment 计算后，malignant-cell MITF-like 与两个 QC 指标的 Spearman rho 为 -0.05 和 -0.10，AXL-like 为 -0.25 和 -0.28；T-cell exhaustion 与两个 QC 指标为 0.13 和 0.23。这些相关性不等于技术混杂已被完全排除，但与初版文字描述的方向不同，现以图和可执行表 score_qc_spearman_by_compartment.csv 为准。
这也是本文不把 exhaustion 写成临床结论的原因。公开矩阵可以显示 T cell compartment 中存在 exhaustion-like 程序，也可以比较不同肿瘤中 T cell 的中位 score；但没有 TCR clonotype、抗原特异性、治疗信息和空间定位时，文章不能继续推到“某个肿瘤免疫逃逸更强”或“某类患者治疗反应更差”。负责任的写法是把它留在表达程序和样本层级线索。
从项目实践看，T cell exhaustion 的下一步不是再画一张 feature plot。更有用的是把 T cell subset 进一步拆开，检查 CD8、CD4、Treg 或 cycling T cell 的 marker；结合 TCR 或 clonotype 信息判断扩增；用 patient/tumor 层级的 pseudobulk 模型评估 exhaustion gene set；再和 macrophage、CAF、malignant program 共同读。当前公开矩阵没有完全支撑这些步骤，但本文已经把问题拆到了可以继续做的层级。
与源论文主线的对照
本文与源论文主线一致的地方包括：第一，公开 revised matrix 可以恢复 melanoma 恶性细胞与多类非恶性微环境细胞；第二，不同肿瘤的细胞组成差异明显；第三，恶性细胞中可观察 melanoma/MITF-like 与 AXL-like 程序方向；第四，T cell exhaustion 相关信号需要放在 T cell compartment 内部解释。
与源论文不同的是，本文没有重新访问受控 reads，没有从 FASTQ 重新比对，也没有完整复刻 CNV 推断、细胞状态模型和临床关联。因此本文更像“可核查的公开矩阵深度复现”，而不等于原文全部计算流程的逐步重跑。
这一点体现了这篇文章的实际价值：很多公开数据复现不需要假装自己已经做完了原文全部流程；关键是准确说明“在当前可公开材料上能复核到哪里”。对 Tirosh 这类经典肿瘤数据，公开 matrix 已经足以支持细胞生态系统、肿瘤组成、恶性程序方向和 T cell exhaustion 局部信号的再整理；但如果要进一步讨论治疗反应、免疫逃逸机制或恶性细胞状态转化，就必须补充更多证据。
因此，本文把源论文主线拆成三个可交付层面：一是结果图层面，可以得到 UMAP、marker dotplot、tumor composition、program score heatmap 和 QC correlation；二是解释层面，可以把恶性细胞程序和免疫 compartment 分开读；三是边界层面，可以告诉读者哪些结论是公开矩阵支持的，哪些需要重新获取原始 reads 或更多临床/队列材料。这种整理方式比“只复刻一张经典图”更适合用于旧项目复盘和后续课题设计。
这类肿瘤深度复现应怎样继续加厚？
如果把 Tirosh 作为肿瘤单细胞深度复现模板，文章还可以沿着三条线继续加厚。第一条线是 malignant-only 分析。把 malignant cell 从微环境中单独取出，重新做程序评分、样本层级汇总、MITF/AXL-like 轴和肿瘤内异质性分析。这样可以减少非恶性细胞组成对恶性程序解释的干扰。
第二条线是 immune-only 分析。T cell exhaustion 不应只用一个总 score 结束。可以进一步拆 CD8 T、CD4 T、Treg、cycling T 和 NK-like 细胞，检查 PDCD1、LAG3、TIGIT、CTLA4、TOX、GZMB、NKG7 等 marker 是否形成合理组合。若能补到 TCR 信息，还可以把克隆扩增与 exhaustion-like 程序联系起来。
第三条线是 tumor-level integration。把 malignant fraction、T cell fraction、macrophage fraction、MITF-like median、AXL-like median 和 exhaustion median 放到同一个样本表里，能帮助研究者选择后续重点样本。这个表本身不等于机制结论，但它能告诉项目负责人：哪些肿瘤适合看恶性程序，哪些适合看 T cell 状态，哪些因为样本构成或细胞数限制需要谨慎。
本文目前做的是公开矩阵层面的深度复核。它已经足够说明 GSE72056 仍然能支持肿瘤生态系统、恶性细胞程序和 T cell exhaustion 方向的再整理。要把它扩展成项目级再分析，就要围绕这三条线补数据、补模型，而不是简单增加图数。
深度解读：这篇复现应该怎么读？
这篇复现回答了什么？
它回答的是：GSE72056 公开 revised matrix 和作者标签能否支撑 tumor-level 层面的肿瘤生态系统复核。答案是可以。细胞群、肿瘤来源、恶性状态和程序 score 可以组合成一条可读证据链。
更具体地说，它回答了四个问题。第一，作者标签下的 malignant cell 是否在表达空间和 marker 上有合理支撑。第二，不同肿瘤样本是否呈现明显的 malignant/T cell/macrophage 组成差异。第三，MITF-like 与 AXL-like 程序是否能在 malignant cell 内部被汇总到样本层面。第四，T cell exhaustion 是否应限定在 T cell compartment 内解读，而不等于混合所有细胞后粗略比较。
raw / processed matrix 的边界在哪里？
公开文件是 processed matrix，并带有作者补充的 malignant/non-malignant 相关标签。它适合复核表达结构和程序方向，但不适合重新评估 read-level QC、比对、变异检测或完整 CNV 推断。
因此本文没有声称“重新发现”源论文所有结论；复核公开矩阵仍能支撑哪些主要结构。processed matrix 的优势是进入分析快、适合复核表达图谱和结果图输出；劣势是无法检查原始 reads 的比对质量、基因计数策略、细胞过滤过程、双细胞处理和 CNV 推断细节。肿瘤单细胞文章尤其要注意这一点，因为恶性细胞身份、拷贝数变化和患者内异质性往往与原始数据处理密切相关。
主图应该怎么读？
先看图 1-3，确认 cell group 和 marker 是否可信；再看图 4-5，把单细胞群体汇总到肿瘤层面；然后看图 6-8 的 malignant program；图 9-11 则用于读取 T cell exhaustion 和 QC 边界。
读图顺序不能反过来。如果一开始就看 MITF/AXL 或 exhaustion score，容易把技术因素、细胞类型差异和肿瘤样本差异混在一起。更稳的顺序是确认细胞身份，再确认样本组成，再在合适 compartment 内解释程序 score，QC correlation 和 processed matrix 边界用于约束结论强度。这样得到的文章不是“图多”，每张图都有明确问题。
哪些地方不能过度解释？
不能把少量 signature score 等同于完整细胞状态模型，不能把 tumor-level 程序差异直接写成治疗反应，不能把 T cell exhaustion score 扩展到所有免疫功能结论，也不能声称完成 FASTQ 级复现。
这里的“不能过度解释”不等于一句套话；它有具体原因。第一，score 只由代表基因压缩而来，不能替代完整模型。第二，部分肿瘤的恶性细胞数较少，例如 Tumor 53 的 AXL-like 信号虽然突出，但恶性细胞数量有限，适合作为深入检查线索。第三，T cell exhaustion score 与 QC 指标存在一定相关性，因此需要 compartment 内部解释和更多 marker 支撑。第四，公开文件不等于原始 reads，无法重新评估所有上游处理选择。
如果继续深入，下一步做什么？
下一步应通过受控访问获得 reads 或更完整对象，重做 read-level QC、表达定量和 CNV/恶性细胞推断；也可以加入后续 melanoma 单细胞数据，比较 MITF/AXL-like 状态在不同队列中的稳定性。
如果把这篇复现继续做成项目级深挖，优先方向不等于再增加更多普通 UMAP；围绕三个问题扩展：恶性细胞程序是否在患者内存在连续谱；T cell exhaustion 是否和特定肿瘤微环境组成共现；MITF-like 与 AXL-like 状态是否能在后续黑色素瘤队列中重复出现。这样才能从“经典文章复现”推进到“旧数据重新挖掘可用线索”。
小结
Tirosh melanoma 深度复现说明，经典肿瘤单细胞文章的价值不止在 UMAP，而在于把 malignant status、tumor-of-origin、微环境组成和程序 score 连成可核查证据链。本文在公开 processed matrix 层面复核了 4,645 个细胞、19 个肿瘤样本、多类微环境细胞、恶性细胞程序和 T cell exhaustion 相关信号，同时明确了不能越过 dbGaP 原始 reads 和源论文完整模型的边界。