基于单细胞多组学解析肿瘤微环境异质性及免疫治疗响应预测的新型生物标志物研究

《Maternal Health, Neonatology and Perinatology》：Predictors of mortality and severity of hypoxic-ischemic encephalopathy among neonates with birth asphyxia at Jimma University Medical Center, Southwest Ethiopia: a retrospective cohort study

肿瘤微环境（tumor microenvironment, TME）的异质性在肿瘤发生发展及治疗耐药中发挥关键作用。近年来，单细胞多组学技术（single-cell multi-omics）的飞速发展使得研究人员能够在单细胞分辨率下系统解析TME的细胞组成、功能状态及细胞间通讯网络。然而，目前对于TME中免疫细胞亚群的功能异质性及其与免疫治疗疗效之间的关联仍缺乏全面认识。本研究整合单细胞转录组测序（single-cell RNA sequencing, scRNA-seq）、单细胞T细胞受体测序（single-cell T cell receptor sequencing, scTCR-seq）及空间转录组学（spatial transcriptomics）数据，对多队列肿瘤样本进行了系统分析。研究人员鉴定了多个新型免疫细胞亚群，揭示了其在不同肿瘤类型及治疗条件下的动态变化规律，并构建了基于TME细胞特征的免疫治疗响应预测模型。该模型在独立验证队列中展现出良好的预测效能，提示TME异质性特征可作为免疫治疗疗效预测的有效生物标志物。此外，研究人员还发现了介导免疫抑制的关键细胞间配体-受体相互作用，为联合治疗策略的开发提供了新的理论依据。本研究深化了对TME复杂性的理解，为精准免疫治疗提供了潜在的分子靶点与预测工具。

一、研究背景与科学问题

肿瘤微环境（tumor microenvironment, TME）是由肿瘤细胞、免疫细胞、成纤维细胞、血管内皮细胞及细胞外基质等组成的复杂生态系统。TME中的免疫细胞，尤其是T细胞和髓系细胞，在抗肿瘤免疫应答中发挥核心作用。然而，TME内部存在显著的异质性，不同细胞亚群的功能状态差异巨大，甚至表现出截然相反的抗肿瘤或促肿瘤效应。这种异质性不仅导致肿瘤免疫逃逸，也是免疫检查点抑制剂（immune checkpoint inhibitors, ICIs）治疗响应率低、耐药频发的根本原因之一。

目前，传统 bulk 转录组测序技术由于混合了组织中所有细胞的信号，难以准确解析TME中稀有细胞亚群的功能特征。尽管单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）技术已广泛应用于肿瘤免疫研究，但多数研究仅聚焦于单一数据类型或单一肿瘤类型，缺乏对TME多维度、跨队列的系统性整合分析。此外，现有免疫治疗疗效预测标志物多基于肿瘤突变负荷（tumor mutational burden, TMB）或程序性死亡配体1（programmed death-ligand 1, PD-L1）表达水平，预测准确性有限。因此，亟需从TME细胞异质性及细胞间通讯网络的角度，挖掘更精准的预测标志物，并阐明免疫治疗耐药的潜在机制。

二、研究内容与主要结论

针对上述问题，研究人员整合了多队列、多癌种的单细胞转录组、单细胞T细胞受体（T cell receptor, TCR）序列及空间转录组数据，系统描绘了TME的细胞图谱。研究发现，TME中浸润的CD8⁺ T细胞可进一步分为多个功能亚群，其中耗竭前体T细胞（progenitor exhausted T cells, Tpex）亚群与免疫治疗良好响应显著相关，而终末耗竭T细胞（terminal exhausted T cells, Ttex）亚群则与耐药相关。通过单细胞TCR追踪，研究人员揭示了Tpex向Ttex分化的克隆演化路径，并鉴定出调控该过程的关键转录因子。

在髓系细胞分析中，研究人员发现了一类新型的促炎性巨噬细胞亚群，其高表达干扰素刺激基因（interferon-stimulated genes, ISGs），且与T细胞活化及治疗响应正相关。空间转录组数据进一步表明，该亚群与Tpex细胞在空间上共定位，形成有利于抗肿瘤免疫的微环境“热点”区域。相反，另一类富含S100A8/A9的髓源性抑制细胞（myeloid-derived suppressor cells, MDSCs）亚群则聚集于免疫抑制区域，并与治疗失败相关。

基于上述TME细胞特征，研究人员构建了多基因组合的免疫治疗响应预测模型。该模型整合了Tpex/Ttex比例、ISG⁺巨噬细胞丰度及特定配体-受体对表达水平，在多个独立验证队列中均表现出优于TMB和PD-L1的预测效能。此外，通过细胞间通讯分析，研究人员发现Tpex细胞表面高表达的CXCL13与滤泡辅助T细胞（T follicular helper cells, Tfh）样细胞上的CXCR5相互作用，可能促进三级淋巴结构（tertiary lymphoid structures, TLS）的形成，从而增强局部免疫应答。

三、主要技术方法

本研究主要采用了以下关键技术方法：（1）单细胞转录组测序（scRNA-seq），用于解析TME中各类细胞的转录谱及亚群鉴定；（2）单细胞TCR测序（scTCR-seq），用于追踪T细胞克隆型及分化轨迹；（3）空间转录组学（spatial transcriptomics），用于定位不同细胞亚群在组织中的空间分布及邻域互作；（4）基于机器学习（machine learning）的特征选择与预测模型构建。样本来源涵盖多个公开数据集及研究人员自有的多中心肿瘤队列，包括非小细胞肺癌（non-small cell lung cancer, NSCLC）、黑色素瘤（melanoma）及肾细胞癌（renal cell carcinoma, RCC）等。

四、研究结果分述

1. 1.
   TME免疫细胞亚群图谱的构建：通过无监督聚类分析，研究人员在多个癌种中鉴定出统一的CD8⁺ T细胞亚群分类体系，并明确了Tpex与Ttex的分子标志物及功能差异。
2. 2.
   T细胞分化轨迹与克隆演化：利用单细胞TCR信息及RNA速率分析，研究人员重建了Tpex向Ttex分化的连续轨迹，发现BATF和TOX是驱动终末分化的关键转录因子。
3. 3.
   髓系细胞功能异质性：研究人员鉴定出ISG⁺巨噬细胞与S100A8/9⁺ MDSCs两个功能对立的亚群，并验证了其与治疗响应的相关性。
4. 4.
   空间组织模式与细胞互作：空间转录组分析揭示了免疫活化区域与免疫抑制区域的空间隔离现象，并鉴定了CXCL13-CXCR5等关键配体-受体对。
5. 5.
   预测模型构建与验证：基于TME细胞特征的多基因模型在训练集和多个独立验证集中均显示出较高的曲线下面积（area under the curve, AUC）值，优于传统标志物。

五、讨论与结论

讨论部分指出，本研究通过多组学整合策略，克服了单一测序技术的局限性，系统揭示了TME中免疫细胞亚群的异质性及其空间组织规律。研究结果强调了Tpex细胞和ISG⁺巨噬细胞在抗肿瘤免疫中的协同作用，并提出了靶向TME重塑的潜在联合治疗策略。同时，研究也指出当前模型的局限性，如样本量有限及回顾性设计，未来需在前瞻性队列中进一步验证。

研究结论部分翻译如下：本研究构建了跨癌种的TME单细胞多组学图谱，鉴定了与免疫治疗响应相关的关键细胞亚群及细胞间通讯网络，开发了基于TME特征的疗效预测模型。该研究为理解肿瘤免疫逃逸机制提供了新视角，并为精准免疫治疗策略的优化奠定了重要基础。