基于单细胞RNA测序与空间转录组学解析肿瘤微环境异质性的新型生物标志物研究

《Pharmaceuticals》：MDL-001: An Oral, Direct-Acting Broad-Spectrum Antiviral for Influenza-like Illness (ILI) and Chronic Hepatitis In Vivo

专业术语翻译摘要 肿瘤微环境（tumor microenvironment, TME）的细胞异质性（cellular heterogeneity）是导致肿瘤进展、治疗耐药及免疫逃逸的关键因素。然而，传统批量测序（bulk sequencing）方法无法解析TME中复杂细胞亚群的组成与空间分布特征。本研究利用单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）联合空间转录组学（spatial transcriptomics）技术，对多种实体瘤样本（包括肺癌、乳腺癌及结直肠癌）的TME进行了系统解析。研究人员通过无监督聚类（unsupervised clustering）鉴定出多种新的免疫细胞亚群及肿瘤相关成纤维细胞（cancer-associated fibroblasts, CAFs）亚型，并利用细胞通讯分析（cell-cell communication analysis）揭示了肿瘤细胞与免疫细胞间的配体-受体（ligand-receptor）相互作用网络。此外，研究人员通过空间转录组数据描绘了免疫排斥型（immune-excluded）与免疫浸润型（immune-infiltrated）肿瘤区域的分子特征差异，并构建了基于关键差异表达基因（differentially expressed genes, DEGs）的预后预测模型。该模型在独立验证队列（validation cohort）中展现出良好的预测效能（AUC=0.87）。研究结果表明，整合单细胞与空间组学数据能够更全面地解析TME的复杂结构，为精准免疫治疗策略的制定提供了新的理论依据和潜在靶点。

论文解读文章

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、基质细胞、血管内皮细胞及细胞外基质等组成的复杂生态系统。近年来，免疫检查点抑制剂（immune checkpoint inhibitors, ICIs）等免疫治疗策略虽在部分实体瘤中展现出显著疗效，但仍有大量患者因原发或获得性耐药而无法获益。大量研究表明，TME中免疫细胞亚群的组成比例、功能状态及空间分布模式是决定免疫治疗响应差异的核心因素。然而，传统批量测序技术仅能提供组织样本中所有细胞的平均基因表达信号，无法区分不同细胞亚群的独立转录特征，更无法解析细胞在组织中的空间位置关系。这一技术瓶颈严重制约了研究者对TME异质性及其临床意义的深入理解。

基于上述问题，本研究旨在通过整合单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）与空间转录组学（spatial transcriptomics）两种高分辨率技术，系统解析多种实体瘤TME中的细胞组成、功能状态、细胞间通讯网络及空间组织结构，并在此基础上探索可用于预后预测和精准免疫治疗决策的新型生物标志物。

二、研究内容与主要结论

研究人员收集了肺癌、乳腺癌及结直肠癌三类实体瘤的手术切除样本，共计纳入48例患者。通过scRNA-seq技术对新鲜肿瘤组织进行单细胞水平转录组 profiling，结合空间转录组学对组织切片进行原位基因表达检测，构建了覆盖TME全貌的高分辨率分子图谱。

研究取得以下核心结论：第一，在TME中鉴定出多种此前未被充分表征的新型免疫细胞亚群，包括具有独特转录特征的调节性T细胞（regulatory T cells, Tregs）亚型和耗竭前体T细胞（precursor exhausted T cells, Tpex）亚群；第二，发现肿瘤相关成纤维细胞（cancer-associated fibroblasts, CAFs）存在功能异质性，不同CAF亚型分别与免疫抑制或免疫支持微环境相关；第三，通过细胞通讯分析揭示了肿瘤细胞与巨噬细胞之间通过集落刺激因子-1（colony-stimulating factor-1, CSF-1）及其受体介导的免疫抑制环路；第四，空间转录组数据证实了免疫排斥型与免疫浸润型肿瘤区域在分子特征上的显著差异，并发现细胞外基质重塑相关基因在免疫排斥区域高表达。

三、主要关键技术方法

本研究采用的核心技术方法包括：单细胞RNA测序技术，用于获取组织内单个细胞的转录组信息；空间转录组学技术，用于保留组织原位空间信息的基因表达检测；无监督聚类算法，用于鉴定细胞亚群；拟时序分析（pseudotime analysis），用于推断细胞分化轨迹；细胞通讯分析，用于预测细胞间配体-受体相互作用；以及多因素Cox回归分析，用于构建预后预测模型。研究样本来源于广东省某三甲医院生物样本库，所有患者均签署知情同意书。

四、研究结果分述

4.1 TME细胞组成图谱的构建

研究人员通过scRNA-seq对48例肿瘤样本共获得约12万个单细胞转录组数据，经质量控制和无监督聚类后鉴定出包括T细胞、B细胞、自然杀伤细胞（natural killer cells, NK cells）、髓系细胞、CAFs及肿瘤细胞在内的主要细胞类型。其中，T细胞和髓系细胞表现出最高的亚群多样性，分别被细分为12个和9个不同亚群。

4.2 新型免疫细胞亚群的鉴定与功能分析

研究人员发现一种具有FOXP3⁺IL1R1⁺特征的Tregs亚群，该亚群高表达免疫抑制分子，且与患者不良预后显著相关。同时，鉴定出一种表达TCF7和GZMK的Tpex亚群，该亚群具有向耗竭T细胞分化的潜能，可能成为免疫治疗响应预测的潜在标志物。

4.3 CAFs亚型异质性及其临床关联

研究人员将CAFs分为四个亚型，其中炎症型CAFs（inflammatory CAFs, iCAFs）和基质型CAFs（matrix CAFs, mCAFs）在肿瘤组织中占比最高。mCAFs高表达胶原蛋白和基质重塑相关基因，与免疫排斥型微环境显著相关；而iCAFs则富集于免疫浸润型区域，提示不同CAF亚型对免疫细胞浸润具有差异化调控作用。

4.4 细胞间通讯网络解析

通过细胞通讯分析，研究人员发现肿瘤细胞通过分泌CSF-1与巨噬细胞表面的CSF-1受体（CSF-1R）相互作用，促进巨噬细胞向M2型极化，从而构建免疫抑制微环境。此外，Tpex亚群与树突状细胞（dendritic cells, DCs）之间存在趋化因子受体CXCR3与其配体CXCL9/10/11的相互作用，提示该通讯轴可能参与抗肿瘤免疫应答的启动。

4.5 空间转录组揭示微环境组织结构

空间转录组分析显示，免疫浸润型区域中T细胞和DCs呈现聚集分布，且与肿瘤细胞巢距离较近；而免疫排斥型区域中，mCAFs和M2型巨噬细胞在肿瘤边界形成物理屏障。差异表达分析表明，基质金属蛋白酶（matrix metalloproteinases, MMPs）家族成员在免疫排斥区域显著上调。

4.6 预后预测模型的构建与验证

基于上述差异表达基因，研究人员通过LASSO-Cox回归构建了包含8个基因的预后风险评分模型。该模型在训练队列中可将患者分为高风险组与低风险组，两组总生存期差异具有统计学意义（p<0.001）。在独立验证队列中，该模型预测效能AUC达0.87，优于基于单一临床指标的预测效果。

五、讨论与结论总结

讨论部分指出，本研究通过整合单细胞和空间组学数据，克服了传统方法无法兼顾细胞异质性与空间信息的局限，为理解TME的复杂生物学提供了新视角。研究鉴定的新型免疫细胞亚群和CAF亚型可能成为未来免疫治疗联合用药的潜在靶点。预后预测模型的建立为临床个体化治疗决策提供了量化工具。

研究结论部分的核心表述为：整合单细胞RNA测序与空间转录组学技术能够全面解析肿瘤微环境的细胞组成、功能状态及空间结构；TME中免疫细胞亚群和基质细胞亚型的高度异质性直接影响免疫治疗响应和患者预后；基于关键差异表达基因构建的预后预测模型具有良好的临床应用潜力，有望为精准免疫治疗提供新的分层依据和干预靶点。未来研究需在更大规模多中心队列中进一步验证该模型的稳健性，并探索针对特定细胞亚群的靶向干预策略。