通过对胃癌从癌前病变到转移过程的整合多组学分析，开发出一种基于深度学习的预后模型

《Frontiers in Immunology》：Integrative multi-omics analysis of gastric cancer evolution from precancerous lesions to metastasis identifies a deep learning-based prognostic model

本研究整合单细胞转录组学、空间转录组学和深度学习技术，系统解析了胃癌（GC）进展中肿瘤微环境（TME）的动态重塑机制，揭示了免疫细胞（如耗竭性CD8+ T细胞）和基质细胞（如ITGBL1+纤维母细胞）的异质性变化及相互作用网络，并构建了基于657个与肿瘤分期相关的基因模块的深度学习预后模型，其临床风险分层效能在TCGA和独立队列中均得到验证。

　　胃癌作为一种常见的恶性肿瘤，其发病机制和临床预后一直是医学研究的重点。随着研究技术的进步，科学家们逐渐认识到，胃癌的进展不仅仅依赖于肿瘤细胞本身的特性，还与肿瘤微环境（TME）中多种细胞成分之间的复杂相互作用密切相关。然而，对于胃癌微环境的动态变化、细胞异质性以及细胞间通信的全面理解仍存在不足。因此，本文通过整合单细胞RNA测序（scRNA-seq）、空间转录组学、批量转录组分析以及深度学习等多维度技术，对胃癌的微环境进行了深入剖析，揭示了其在疾病进展过程中的关键特征，并开发了一个具有临床应用价值的预后模型。

在方法部分，研究团队收集了来自不同病理状态的77个胃癌相关组织样本，包括非萎缩性胃炎、慢性萎缩性胃炎、肠上皮化生、邻近正常胃组织、原发性胃癌和远处转移病灶。这些样本来自公共数据库，如Gene Expression Omnibus（GEO）和The Cancer Genome Atlas（TCGA），为后续分析提供了丰富的数据基础。通过对scRNA-seq数据的预处理和分析，研究人员能够识别出不同细胞群体，并利用扫描工具（Scrublet）排除双细胞污染，确保数据的准确性。随后，通过主成分分析（PCA）和统一曼弗雷德近似投影（UMAP）等方法，对数据进行了降维处理，便于后续的聚类和细胞类型注释。

研究还利用了WGCNA（加权基因共表达网络分析）来识别与肿瘤阶段和微环境改变相关的基因模块。这一分析揭示了一个包含657个基因的模块，其与T细胞、髓系细胞和间质细胞的改变密切相关，并且在不同肿瘤阶段表现出显著的表达差异。此外，通过构建深度学习模型，研究团队将这些基因模块用于患者的预后预测，模型在训练集和外部验证集中均展现出优异的预测性能。模型的输出是一个连续的风险评分，能够将患者分为高风险和低风险组，进一步通过Kaplan-Meier生存分析和时间依赖性ROC曲线评估其有效性。

在结果部分，研究团队发现，胃癌的进展伴随着肿瘤微环境的动态重塑。具体表现为功能失调的CD8+ T细胞、促肿瘤的成纤维细胞（如ITGBL1+、PI16+和ITLN1+细胞）以及髓系细胞的改变。这些细胞类型之间的通信网络在胃癌微环境中尤为显著，特别是成纤维细胞驱动的免疫抑制信号。空间转录组学分析进一步揭示了免疫细胞和间质细胞在肿瘤组织中的共定位现象，支持了其在空间上有序的细胞间相互作用。此外，研究团队还发现，不同细胞类型的相对丰度和转录异质性在不同病理阶段存在显著变化，这表明肿瘤微环境的复杂性与疾病的发展阶段密切相关。

对于NK和T细胞亚群，研究团队通过详细的亚群聚类和轨迹推断分析，揭示了其在胃癌发展和转移过程中的动态变化和功能异质性。研究发现，CD4+和CD8+ T细胞亚群表现出显著的转录差异，且在肿瘤和转移部位的比例增加，这可能反映了它们在抗肿瘤免疫中的作用。然而，同时，T细胞的功能性耗竭和调节性T细胞（Tregs）的积累则与不良预后相关。此外，研究还发现NK细胞和T细胞的相互作用网络在胃癌微环境中广泛存在，且CD8+ T细胞亚群作为主要的信号接收者，显示出高度的相互作用强度。这表明，这些细胞在胃癌的免疫调控中起着关键作用。

髓系细胞在胃癌微环境中的动态变化同样引人关注。研究团队识别出12种不同的髓系细胞亚群，包括经典和非经典单核细胞、多种巨噬细胞亚型、树突状细胞、浆细胞样树突状细胞（pDCs）等。其中，某些亚群如CD163L1+巨噬细胞在肿瘤和转移部位的比例显著下降，而其他亚群如MLXIPL+巨噬细胞和pDCs则在疾病进展过程中持续增加。这些变化可能反映了髓系细胞在肿瘤微环境中的功能重塑，进而影响肿瘤的生长和转移。

在间质细胞方面，研究团队发现不同亚群在胃癌进展过程中表现出显著的动态变化。例如，ADAM28+成纤维细胞在癌前病变和邻近正常组织中富集，但在原发性肿瘤和转移部位中显著减少，这可能与间质完整性破坏有关。相反，ITGBL1+、PI16+和ITLN1+成纤维细胞在肿瘤进展过程中持续增加，这些细胞通过调控细胞外基质（ECM）的结构和功能，为肿瘤细胞的侵袭和转移提供了有利条件。此外，研究还发现，某些间质细胞亚群如TREM1+成纤维细胞和静脉内皮细胞（VenECs）在肿瘤进展过程中表现出不同的功能变化，这些变化可能与慢性炎症和血管重塑有关。

细胞间通信网络的分析进一步揭示了胃癌微环境中的复杂互动模式。研究团队发现，成纤维细胞和肌层细胞在不同细胞类型之间的相互作用强度最高，表明它们在肿瘤微环境中的组织功能和免疫调控中扮演着核心角色。同时，T细胞，尤其是功能失调的CD8+ T细胞，作为主要的信号接收者，显示出广泛的相互作用。这种通信网络不仅促进了免疫逃逸，还可能通过调节细胞外基质和血管生成，支持肿瘤的生长和转移。

通过WGCNA分析，研究团队确定了与肿瘤阶段和免疫细胞改变相关的基因模块。其中，“lightyellow”模块与NK/T细胞和髓系细胞的差异表达得分具有显著的正相关性，表明这一基因集合在胃癌进展过程中具有重要的生物学意义。进一步的分析显示，该模块中的基因在不同肿瘤阶段表现出不同的表达特异性，为理解胃癌微环境的分子机制提供了新的视角。

最后，研究团队开发并验证了一个基于深度学习的胃癌预后模型。该模型利用了“lightyellow”模块中的基因表达数据，能够在训练集和外部验证集中准确地将患者分为高风险和低风险组，并显示出与临床特征（如肿瘤阶段、治疗反应）的显著关联。这一模型的建立不仅有助于更精准地评估患者的预后，还为未来的个体化治疗提供了理论依据。

综上所述，本文通过整合单细胞、空间和计算分析，揭示了胃癌微环境在疾病进展过程中的动态变化和关键细胞间的相互作用。这些发现不仅加深了我们对胃癌生物学机制的理解，还为开发新的生物标志物和靶向治疗策略提供了重要线索。尽管研究仍存在一些局限性，如需要在更大的临床试验中进一步验证，但其在胃癌研究领域的贡献无疑是深远的。