通过整合单细胞和批量RNA测序技术，揭示由巨噬细胞-成纤维细胞驱动的炎症网络在泛癌免疫特征中的作用

《International Journal of Surgery》：Unveiling macrophage-fibroblast-driven inflammatory networks mediated pan-cancer immune features by integrated single-cell and bulk RNA sequencing

免疫检查点抑制剂疗效受冷肿瘤微环境影响，本研究通过单细胞测序和机器学习，建立双层次基因预测模型（Hub-I.Sig和MC.Sig），揭示巨噬细胞-成纤维细胞炎症网络驱动免疫抑制的关键作用，为冷肿瘤（如卵巢癌）免疫治疗提供新生物标志物和靶点。

　　```section>

摘要 通俗语言总结

---

背景：

免疫检查点抑制剂（ICIs）彻底改变了癌症治疗方式；然而，由于免疫抑制性微环境的影响，尤其是在“冷”肿瘤（对ICIs反应不佳的肿瘤）中，其疗效仍然有限。

目标：

构建一个包含少于10个基因的预测模型，该模型具有出色的泛癌症生存率和ICIs反应预测能力。

方法：

利用17种癌症类型和34个数据集的scRNA-seq分析结果，结合基于机器学习的分析方法，识别出与ICIs耐药性相关的炎症相关基因（I.Sig）和核心特征谱（Hub-I.Sig）。通过单细胞分辨率将Hub-I.Sig映射到巨噬细胞和成纤维细胞上，发现该特征谱是形成这种免疫抑制环境的关键因素，从而影响泛癌症生存率和ICIs反应。进一步使用体内模型和多重免疫组化（mIHC）分析验证了针对MC.Sig的策略在卵巢癌等“冷”肿瘤中的有效性。

结果：

通过单细胞RNA测序（scRNA-seq），我们识别出84个与ICIs耐药性相关的炎症相关基因（I.Sig）。基于机器学习的分析得出了一个包含32个基因的核心特征谱（Hub-I.Sig）。将Hub-I.Sig映射到巨噬细胞和成纤维细胞上后，发现由8个基因组成的精炼特征谱（MC.Sig）在泛癌症生存率和ICIs反应预测方面具有优异的表现。使用体内模型验证表明，针对MC.Sig的策略可以提高PD-1抑制剂在卵巢癌等“冷”肿瘤中的疗效。我们的研究结果表明，巨噬细胞-成纤维细胞驱动的炎症网络是免疫抑制的关键驱动因素，为识别新的生物标志物和治疗靶点以增强免疫治疗反应提供了基于单细胞的标记方法。

结论：

本研究开发了一个两级基因特征谱框架（Hub-I.Sig, MC.Sig），用于精准免疫治疗，架起了癌症中的炎症与免疫抵抗之间的桥梁。

通俗语言总结：本研究旨在通过基因特征谱模型预测癌症患者的生存率和对免疫检查点抑制剂（ICIs）的反应来改善癌症治疗效果。研究人员分析了17种癌症类型的单细胞RNA测序数据，识别出84个与ICIs耐药性相关的炎症相关基因。通过机器学习方法，将这些基因精炼为一个包含32个基因的核心特征谱，再进一步简化为一个包含8个基因的特征谱（MC.Sig），该特征谱在泛癌症生存率和ICIs反应预测方面具有很强的能力。针对MC.Sig的策略可以通过体内模型提高PD-1抑制剂在卵巢癌等“冷”肿瘤中的疗效。研究强调了巨噬细胞-成纤维细胞相互作用在免疫抑制中的关键作用，为增强免疫治疗提供了新的生物标志物和治疗靶点。

```