多组学整合机器学习框架揭示胃癌中巨噬细胞-成纤维细胞-肿瘤细胞共浸润模式以预测预后

《npj Digital Medicine》：Multi-dimensional omics integrated machine learning framework identifies macrophage-fibroblast-tumor co-infiltration patterns to predict prognosis in gastric cancer

本研究针对胃癌（GC）尤其腹膜转移（GCPM）患者预后差、治疗抵抗的临床难题，通过整合空间转录组学、单细胞RNA测序（scRNA-seq）和多色免疫荧光等技术，发现并验证了一种由DAB2+肿瘤相关巨噬细胞（TAM）、ACTA2+肌成纤维样癌症相关成纤维细胞（myCAF）与肿瘤细胞构成的“MFM”共浸润空间模式。研究进一步揭示PLAU-PLAUR信号轴是该模式形成的关键驱动因素，并基于此开发了可识别该模式的深度学习模型Gastric-Discovery，为胃癌患者精准分层和靶向TME（肿瘤微环境）治疗提供了新见解。

　　

胃癌，尤其是发生腹膜转移（Gastric Cancer Peritoneal Metastasis, GCPM）的患者，预后极差，中位总生存期往往不足15个月。这背后的一个重要原因是，腹膜转移灶具有独特的“硬癌”特征，即间质高度纤维化，形成了一道致密的物理屏障。这道屏障不仅阻碍化疗药物渗透，还营造了一个高度免疫抑制的肿瘤微环境（Tumor Microenvironment, TME），使得传统以直接杀伤肿瘤细胞为目标的疗法效果有限。因此，深入理解TME的空间异质性，特别是其中不同细胞间如何“协作”促进肿瘤进展，对于开发新的治疗策略至关重要。

在此背景下，来自上海交通大学医学院附属瑞金医院等机构的研究团队在《npj Digital Medicine》上发表了一项研究。他们利用多组学整合与机器学习技术，成功揭示了一种在胃癌中具有重要预后价值的空间细胞共浸润模式，并开发了能够识别该模式的人工智能工具。

为开展此项研究，研究人员综合运用了多种关键技术。他们从公共数据库（如TCGA-STAD、GEO）和自身收集的样本中获取了批量RNA测序（Bulk RNA-seq）、单细胞RNA测序（scRNA-seq，样本来源包括19例原发胃癌、10例正常胃组织和12例胃癌腹膜转移组织）以及空间转录组学（Spatial Transcriptomics, ST）数据。通过生物信息学算法（如ESTIMATE、cell2location、Harmony、Seurat、inferCNV、NicheNet、COMMOT等）进行细胞类型鉴定、空间定位分析、细胞通讯推断和功能富集分析。实验验证部分则采用了多重免疫荧光（mIF）染色、细胞功能实验（如CCK-8、克隆形成、划痕实验）以及基于ResNet-50架构的迁移学习来构建深度学习模型Gastric-Discovery。

1. 比较GC患者的间质特征和空间生态位分类

研究首先通过ESTIMATE算法分析发现，胃癌组织，特别是腹膜转移样本，具有更高的间质评分（Stromal Score），且高间质评分与患者不良预后显著相关。Masson染色进一步证实了胃癌间质硬化的形态学特征。通过对8例胃癌空间转录组数据的分析，研究人员识别出8个不同的空间生态位（Niche）。其中，富含巨噬细胞和成纤维细胞的Niche_4与以肿瘤细胞为主的Niche_1在空间上表现出强烈的共定位趋势，提示这两种生态位细胞之间存在密切的相互作用。

2. 巨噬细胞-成纤维细胞-恶性肿瘤细胞共定位区域的区域特征

基于上述发现，研究进一步聚焦于Niche_4和Niche_1的交互区域。利用MISTYR算法和可视化分析，研究人员发现巨噬细胞和成纤维细胞在空间上紧密环绕肿瘤细胞，形成了一种类似“盔甲”的结构，并将这种空间组织模式命名为“MFM”模式（巨噬细胞-成纤维细胞-恶性肿瘤细胞）。多重免疫荧光结果验证了CD68⁺巨噬细胞和α-SMA⁺成纤维细胞确实围绕在肿瘤细胞周围，并部分排斥CD8⁺T细胞的浸润。

3. myCAF作为MFM区域的关键组分及其对GC进展的贡献

为了在单细胞水平解析MFM模式，研究团队整合了41例样本（正常、原发癌、腹膜转移）的单细胞数据。对成纤维细胞进行亚群分析后，鉴定出6个亚群，其中c2-ACTA2-Fib表现出强烈的肌成纤维细胞（myCAF）特征，并且在腹膜转移样本中显著富集。Scissor算法分析表明，ACTA2⁺myCAF是与远处转移最相关的成纤维细胞亚群。批量RNA数据分析也证实，ACTA2⁺myCAF的高浸润与患者总生存期缩短和晚期分期相关。

4. DAB2⁺TAM在GC进展中的作用

对髓系细胞中的巨噬细胞进行亚群分析，鉴定出6个亚群。其中，c4-DAB2-Mph在肿瘤组织和腹膜转移组织中表达逐渐增加，且表现出典型的M2型巨噬细胞特征。RNA速率分析提示DAB2⁺TAM可能是巨噬细胞分化的一个终点。功能分析显示DAB2⁺TAM对免疫功能的调节具有显著影响，且其标志物评分与PDCD1、CD274等免疫检查点分子表达呈正相关。

5. 多组学分析ACTA2⁺myCAF和DAB2⁺TAM共定位的相关特征

相关性分析显示，在多个胃癌队列中，ACTA2⁺myCAF的浸润水平与巨噬细胞（尤其是M2型）浸润水平显著相关。通过CellTrek算法将单细胞数据映射回空间位置，证实了ACTA2⁺myCAF和DAB2⁺TAM在胃癌原发灶和转移灶中均存在稳定的空间共定位。多重免疫荧光结果进一步直观展示了这两种细胞在腹膜转移灶中的相互作用更为紧密。

6. PLAU信号趋向于成为MFM生态位形成的关键驱动因素

功能富集分析发现，MFM相关的生态位（Niche_1和Niche_4）均与上皮-间质转化（Epithelial-Mesenchymal Transition, EMT）通路激活相关。利用NicheNet算法预测发现，由成纤维细胞和巨噬细胞分泌的配体（如CCL2、CTGF、PLAU等）能上调肿瘤细胞中的EMT相关基因（如VIM、CD44）。交叉比较后，PLAU信号尤为突出。COMMOT空间通讯分析显示，PLAU-PLAUR配体-受体对在MFM生态位区域内存在显著的空间共定位和信号流。体外功能实验证实，外源性重组人PLAU（rh-PLAU）能剂量依赖性地增强胃癌细胞（MKN-45和HGC-27）的增殖、克隆形成和迁移能力。

7. 结合深度学习模型以凸显MFM模式的预测价值

基于TCGA-STAD队列的转录组数据，研究人员将患者分为三个亚型，其中C3亚型表现出ACTA2⁺myCAF、DAB2⁺TAM和肿瘤细胞的高浸润，即典型的MFM模式，且该亚型患者预后最差。随后，研究开发了名为Gastric-Discovery的深度学习框架。该框架基于ImageNet预训练的ResNet-50模型进行迁移学习，能够直接从常规H&E染色的病理全切片图像（WSIs）中识别高MFM模式区域。模型在测试集上表现出良好的性能（精确度=0.961，F1分数=0.9099），并且其预测结果与空间转录组学确定的MFM模式区域高度一致。

综上所述，本研究通过多组学整合分析，首次系统性地揭示并验证了胃癌中由ACTA2⁺myCAF、DAB2⁺TAM和肿瘤细胞构成的MFM空间共浸润模式，该模式是导致患者预后不良的重要微环境特征。研究不仅阐明了PLAU-PLAUR信号轴在该模式形成中的核心通讯作用，还成功构建了能够无创、精准识别该模式的深度学习工具Gastric-Discovery。这项工作为理解胃癌TME的空间组织规律提供了新视角，为后续开发针对特定恶性微环境生态位的精准联合治疗策略（如靶向PLAU-PLAUR轴联合NIPS疗法）奠定了理论基础，同时也为临床预后评估提供了一种潜在的新型生物标志物和实用工具，有望推动胃癌精准医疗的发展。