ISENICS模型：解析肿瘤微环境中衰老免疫细胞特征及其临床意义

本刊推荐：为解决肿瘤微环境（TIME）中衰老免疫细胞缺乏量化指标的问题，研究人员开发了ISENICS模型，通过整合bulk和单细胞RNA-seq数据，对23种癌症类型的免疫细胞衰老水平进行系统评估。研究发现肿瘤样本衰老水平高于正常组织，单核/巨噬细胞易发生共衰老，高免疫衰老评分（ICSS）患者预后更好但免疫治疗反应较差。该研究为理解TIME中免疫衰老的机制提供了新工具，对癌症治疗策略具有重要指导意义。

　　

在肿瘤免疫微环境（Tumor Immune Microenvironment, TIME）研究中，衰老免疫细胞作为具有特殊病理特征的细胞亚群，通过分泌多种炎症因子（Senescence-Associated Secretory Phenotype, SASP）削弱机体抗肿瘤能力，促进肿瘤细胞增殖和转移。然而，肿瘤细胞同样可通过多种机制加速免疫细胞衰老，形成复杂的双向调控网络。长期以来，领域内缺乏能够量化不同免疫细胞类型衰老水平的特异性指标，这严重阻碍了对衰老免疫细胞在TIME中作用的深入解析。现有研究多集中于组织水平衰老，对跨癌种的细胞类型特异性衰老探索不足。虽然bulk RNA测序（RNA-seq）具有成本效益和临床实用性，但无法解析细胞异质性；单细胞RNA测序（scRNA-seq）虽能提供高分辨率数据，但对大型或脆弱的衰老免疫细胞捕获效率低，且对样本保存条件要求苛刻。这些技术局限使得系统研究衰老免疫细胞在TIME中的作用面临重大挑战。

为了突破这些限制，由哈尔滨医科大学田苗苗、崔浩、王新宇等研究人员组成的研究团队在《Briefings in Bioinformatics》发表了创新性研究成果。他们开发了名为ISENICS（Identification of Senescent Immune Cells and Samples）的综合模型，通过整合bulk和scRNA-seq数据，首次实现了对23种癌症类型中衰老免疫细胞的系统识别和功能表征。

研究人员采用的关键技术方法包括：从TCGA和GTEx数据库获取23种癌症类型的bulk RNA-seq数据（14,382个样本），从TISCH数据库收集对应癌种的scRNA-seq数据；利用组织自适应自编码器（Tissue-Adaptive autoEncoder, TAPE）深度学习算法解卷积bulk RNA-seq数据，获得免疫细胞类型特异性基因表达谱；基于CellAge基因集通过基因集变异分析（Gene Set Variation Analysis, GSVA）计算免疫细胞衰老评分（Immune Cellular Senescence Scores, ICSS）；使用CellChat工具分析细胞间通讯网络；通过AUCell算法评估单细胞水平的衰老状态；并采用多种机器学习模型构建免疫治疗反应预测器。

研究结果主要包括以下几个方面：

计算跨癌症类型的细胞类型特异性表达谱

研究人员通过对23种癌症类型的单细胞数据进行注释，识别出三种主要细胞类型：恶性细胞、基质细胞和免疫细胞。使用TAPE算法成功构建了190个细胞类型特异性解卷积基因表达谱，涵盖17种细胞类型（包括12种免疫细胞类型）。验证显示76.7%的解卷积矩阵对具有显著一致性，且文献报道的标记基因在解卷积表达谱中均过度表达，证实了方法的可靠性。

基于解卷积算法构建衰老免疫细胞和样本识别模型概述

研究发现CellAge标志在识别衰老免疫细胞方面优于其他衰老基因集（SenMayo、siAge、SenCID），且与SASP基因表达显著相关。对8,436个肿瘤、681个癌旁和5,265个正常样本的分析揭示了组织特异性细胞衰老异质性。泌尿系统癌症（KICH、KIRC、PRAD）显示较高的细胞衰老评分，而造血系统癌症（DLBC、LAML）评分较低。免疫组化染色证实年轻正常结肠组织中p16/p21蛋白表达高于衰老的COAD组织。

识别衰老和非衰老免疫细胞及样本间的差异表达基因

对解卷积免疫细胞表达谱的分析揭示了ICSS组间的差异表达基因（Differentially Expressed Genes, DEGs）。这些基因在免疫细胞分化、增殖、迁移、粘附和代谢相关通路中显著富集。研究发现与衰老免疫细胞相关的基因与免疫功能和免疫检查点（Immune Checkpoints, ICPs）相关基因存在显著重叠，其中增殖T细胞（Tprolif）表现出最多的DEGs。

基于ISENICS探索TIME和免疫特征

研究发现ICSS与大多数癌症（18/23）的免疫浸润呈正相关，与基质评分、免疫评分和估计评分呈正相关，与肿瘤纯度呈负相关。综合免疫衰老导致高衰老TIME（HSTIME）患者比低衰老TIME（LSTIME）患者具有更高的免疫相关基因评分，且与更好的预后相关。

跨ICSS组的细胞相互作用变异

在单细胞水平上，研究发现高ICSS组的细胞相互作用数量和强度在大多数癌症类型中高于低ICSS组。以单核/巨噬细胞（Mono/Macro）为例，这些细胞经历衰老后，细胞相互作用权重因癌症类型而异。整合的免疫单细胞RNA-seq数据分析显示，与低ICSS相比，高ICSS具有明显更多的Mono/Macro相互作用信号和明显更少的CD8T相互作用信号。

衰老免疫细胞富集与较差免疫治疗反应显著相关

研究发现高ICSS细胞在免疫治疗反应方面表现较差。通过单因素Cox回归和LASSO回归筛选出62个显著基因，构建的免疫反应预测器在预测免疫治疗反应方面表现出较高准确性（AUC值高于其他临床特征）。

研究结论与讨论部分指出，ISENICS模型通过整合多组学数据和先进的计算方法，首次实现了对TIME中衰老免疫细胞的系统量化评估。该模型不仅能够识别衰老免疫细胞，还能将患者分为不同衰老水平的亚组，为理解免疫衰老在肿瘤进展和治疗中的作用提供了新视角。研究发现免疫衰老与更好的生存预后相关但与较差的免疫治疗反应相关，这一悖论提示肿瘤可能通过衰老逃逸机制维持恶性表型。单核/巨噬细胞作为最易发生共衰老的细胞类型，在细胞间通讯网络中扮演关键角色。研究还揭示了TNF和LIGHT信号通路在低ICSS组中的特异性表达模式，为靶向衰老免疫细胞的治疗策略提供了新靶点。

研究的局限性包括基因集选择对模型效率的影响、ICSS验证主要依赖计算推导以及需要更多数据集验证模型稳健性。尽管如此，ISENICS基于多参数评估标准揭示了衰老免疫细胞的共同特征和异质性，为在系统水平上理解TIME机制提供了可扩展的新方法，不仅有助于表征衰老免疫细胞的作用，也为理解TIME内复杂相互作用提供了宝贵见解。