TMEtyper：肿瘤微环境亚型分析新方法及其在免疫治疗中的应用研究

《Computational and Structural Biotechnology Journal》：TMEtyper: A computational method for tumor microenvironment subtyping with applications in immunotherapy

本研究针对肿瘤微环境(TME)异质性影响免疫检查点阻断(ICB)治疗反应的难题，开发了整合细胞组成、通路活性和细胞通讯网络的TMEtyper计算框架。通过共识聚类识别出7种具有独特预后价值的TME亚型，结合机器学习与结构因果模型发现关键调控基因，在11个独立免疫治疗队列中验证了其预测效能，为个性化免疫治疗策略提供了新工具。

　　

在癌症研究领域，肿瘤微环境（TME）的异质性一直是制约免疫治疗效果的关键瓶颈。就像一片复杂的生态森林，TME中不仅包含肿瘤细胞，还有免疫细胞、基质细胞等多种成分，它们之间的相互作用形成了独特的生态系统。2015年，Allison提出的"热肿瘤"（免疫细胞浸润丰富）和"冷肿瘤"（免疫细胞稀少）概念，虽然为理解免疫治疗反应差异提供了初步框架，但随着研究的深入，科学家们发现这种二元分类显然过于简化了TME的真实复杂性。

传统的研究方法往往只关注免疫细胞，而忽略了基质细胞、细胞间通讯网络和肿瘤相关信号通路等重要组成部分。这就好比只观察森林中的树木，而忽视了土壤、水源和气候等关键生态因素。这种局限性导致现有的TME分类系统难以全面捕捉微环境的本质特征，从而限制了其在临床实践中的应用价值。随着多组学和空间转录组学技术的发展，研究人员迫切需要开发更全面、更精准的TME分类方法，为个性化免疫治疗提供可靠的理论依据。

在这一背景下，山西医科大学医学技术研究所的苗亚茹等研究人员在《Computational and Structural Biotechnology Journal》上发表了题为"TMEtyper: A computational method for tumor microenvironment subtyping with applications in immunotherapy"的研究论文。该研究开发了一个名为TMEtyper的综合计算框架，通过整合231个TME特征基因集，包括免疫细胞、基质细胞、细胞通讯信号和生物通路等多个维度，对33种癌症类型的10,533个样本进行了系统分析。

研究团队采用的主要技术方法包括：从EcoTyper、MSigDB和ImmPort等数据库整合TME特征基因集；使用单样本基因集富集分析（ssGSEA）计算特征富集分数；通过共识聚类和拓扑特征提取识别TME亚型；结合六种机器学习算法（梯度提升机、随机森林等）进行特征基因筛选；应用结构因果模型（SCM）推断基因调控网络；利用卷积神经网络（CNN）构建TME亚型分类器；并在11个独立免疫治疗队列中进行验证，同时结合单细胞RNA测序（scRNA-seq）数据解析细胞异质性。

3.1. 泛癌分析识别七种 distinct TME亚型

通过基于Jaccard指数的层次聚类分析，研究成功将肿瘤样本划分为七种具有独特细胞组成和通路活性的TME亚型。这些亚型被命名为：代谢应激型（MS）、抗原呈递热肿瘤型（APH）、淋巴细胞富集热肿瘤型（LRH）、KRAS驱动基质富集型（KSH）、髓系和细胞因子热肿瘤型（MCH）、成纤维细胞富集基质富集型（FSH）以及间充质基质富集型（MSH）。每种亚型都展现出独特的细胞浸润模式、通路活性和治疗意义，为理解TME异质性提供了全新视角。

3.2. TME亚型具有 distinct 临床和转录组特征

生存分析显示，不同TME亚型与患者预后存在显著关联。APH亚型在乳腺癌和低级别胶质瘤中与良好预后相关，而在膀胱癌等其他恶性肿瘤中却预示较差结局。多变量Cox回归确认MS、APH、LRH和FSH为有利预后亚型，而KSH、MCH和MSH则与显著升高的死亡风险相关。分子特征分析显示，KSH亚型表现出缺氧、VEGF和WNT信号通路的显著激活，这些均是已知的肿瘤进展驱动因子。

3.3. 结构因果建模识别并表征调控TME的hub基因

通过加权基因共表达网络分析（WGCNA）鉴定出19个共表达模块，结合六种机器学习方法筛选出438个亚型特异性特征基因。应用结构因果模型重建调控网络后，成功识别出七个主要hub基因，它们在各自亚型中表现出独特的表达模式。例如，MS亚型的hub基因PAX8与B细胞、内皮细胞和成纤维细胞的浸润呈正相关，而与CD4⁺和CD8⁺ T细胞呈负相关，提示其在塑造代谢应激表型中的潜在作用。

3.4. TMEtyper揭示亚型特异性免疫治疗反应模式

将TMEtyper应用于11个独立免疫检查点阻断（ICB）治疗队列，发现LRH和MSH亚型占主导地位。LRH亚型在7个队列中表现出超过30%的强劲反应率，在黑色素瘤和非小细胞肺癌数据集中有近80%的LRH亚型患者对治疗产生反应。相反，基质富集的TME4亚型在大多数队列中显示较低的反应率，表明TME亚型可以作为独立于技术和临床异质性的稳定预测指标。

3.5. TME亚型特异性分子机制支撑 differential 免疫治疗反应

比较转录组分析发现，CXCL9是免疫治疗反应的关键调节因子，其在ICB应答者中显著上调，预测性能（AUC>0.7）优于已知生物标志物IFNG。单细胞RNA测序分析进一步揭示了一个独特的CXCL9⁺ M1巨噬细胞亚群，该群体在应答者和LRH亚型中显著富集，为理解TME驱动免疫治疗反应的机制提供了细胞层面的解释。

研究结论与讨论部分指出，TMEtyper框架超越了传统的基于免疫细胞浸润的分类方法，提供了TME功能状态的整体视图。通过结构因果模型推断的hub基因不仅具有相关性，更可能成为塑造TME状态的因果驱动因子。例如，LRH亚型的hub基因PLA2G2D与几乎所有免疫调节剂呈正相关，提示其可能是免疫活性TME的主要调节因子。CXCL9的鉴定及其与特定巨噬细胞亚群的关联，为开发新的治疗策略提供了重要线索。

该研究的重要意义在于建立了一个全面、可访问的TME分类资源，不仅深化了对TME异质性的理解，还为精准免疫治疗提供了实用的生物标志物和潜在治疗靶点。随着更多前瞻性临床验证的开展，TMEtyper有望成为指导癌症免疫治疗决策的重要工具，推动肿瘤个性化治疗的发展。然而，研究也指出需要进一步的功能实验验证hub基因的精确机制作用，以及在前瞻性临床试验中确认模型的临床效用。