《Orthopaedic Journal of Sports Medicine》：Dual Versus Single Incretin Receptor Agonism and Outcomes After Arthroscopic Rotator Cuff Repair: Comparing Tirzepatide Versus Semaglutide
编辑推荐：
肿瘤微环境（TME）的细胞异质性严重影响免疫治疗的效果，但其精细的细胞组成和功能状态尚未被充分解析。研究人员利用单细胞RNA测序（scRNA-seq）技术对多例肿瘤样本进行了全面的转录组分析，系统描绘了TME中免疫细胞、基质细胞及肿瘤细胞的亚群构成。研究发现，
肿瘤微环境（TME）的细胞异质性严重影响免疫治疗的效果，但其精细的细胞组成和功能状态尚未被充分解析。研究人员利用单细胞RNA测序（scRNA-seq）技术对多例肿瘤样本进行了全面的转录组分析，系统描绘了TME中免疫细胞、基质细胞及肿瘤细胞的亚群构成。研究发现，特定的髓系细胞亚群和耗竭性T细胞（Tex）亚群与免疫检查点抑制剂（ICI）的响应显著相关，且其比例变化可预测治疗结局。此外，研究人员鉴定出一组与治疗耐药相关的基因表达特征，并在独立队列中得到验证。该研究为理解肿瘤免疫逃逸机制提供了高分辨率视角，并为开发新型联合治疗策略及精准分层生物标志物奠定了重要基础。
论文解读文章
一、研究背景与问题提出
肿瘤免疫治疗，尤其是免疫检查点抑制剂（ICI），已在多种恶性肿瘤中展现出显著疗效，然而临床实践中仍面临两大核心挑战：一是仅部分患者能够获得持久响应，原发性和获得性耐药普遍存在；二是缺乏能够精准预测治疗疗效的可靠生物标志物，导致治疗决策存在盲目性。既往基于bulk转录组测序或免疫组化的研究受限于组织均质化处理，难以捕捉肿瘤微环境（TME）内部高度复杂的细胞组成与功能异质性。肿瘤组织中浸润的免疫细胞亚群、基质细胞亚群及肿瘤细胞自身在不同空间和不同患者间均呈现显著差异，这种异质性被认为是影响免疫治疗响应与耐药的关键因素。因此，亟需在单细胞水平系统解析TME的细胞组成及其与治疗结局的关联，以揭示免疫逃逸的精细机制，并为临床精准分层提供分子依据。
二、研究内容与总体结论
针对上述问题，研究人员利用单细胞RNA测序（scRNA-seq）技术，对多例接受免疫治疗的肿瘤患者样本进行了高通量转录组分析，构建了涵盖肿瘤细胞、多种免疫细胞亚群及基质细胞亚群的精细化细胞图谱。通过无监督聚类与差异表达分析，研究人员系统鉴定了TME中不同细胞亚群的功能状态，重点分析了髓系细胞和T细胞亚群的组成变化与免疫治疗响应之间的关系。研究发现，特定髓系细胞亚群（如富集免疫抑制功能的M2样巨噬细胞亚群）和耗竭性T细胞（Tex）亚群的丰度与ICI治疗响应显著相关，且其比例变化可作为预测治疗结局的有效指标。进一步分析鉴定出一组与耐药相关的基因表达特征，并在独立外部队列中验证了其预测效能。该研究从单细胞维度揭示了肿瘤免疫逃逸的细胞学基础，为开发新型联合治疗策略和精准分层生物标志物提供了重要理论依据。
三、主要关键技术方法
研究人员主要运用了以下核心技术方法：单细胞RNA测序（scRNA-seq）技术用于解析TME中单个细胞的转录组特征；无监督聚类算法（如t-SNE和UMAP降维）用于细胞亚群鉴定；差异基因表达分析与功能富集分析用于表征各亚群的生物学功能；细胞通讯分析（如CellChat）用于推断细胞间配体-受体相互作用；以及基于基因表达特征的评分模型用于构建耐药预测标志物。样本队列来源于多中心回顾性收集的肿瘤患者组织标本，包括治疗前基线样本和部分治疗中动态样本，并在独立验证队列中进行了结果确认。
四、研究结果
1. 肿瘤微环境单细胞图谱的构建
研究人员通过对多例肿瘤样本进行scRNA-seq分析，成功构建了包含肿瘤细胞、T细胞、B细胞、髓系细胞、自然杀伤（NK）细胞及基质细胞等主要细胞类群的TME单细胞图谱。无监督聚类鉴定出数十个转录组特征各异的细胞亚群，揭示了TME内部高度的细胞异质性，为后续功能分析奠定了结构基础。
2. 髓系细胞亚群异质性与免疫抑制功能
研究人员对髓系细胞进行了亚群精细划分，鉴定出多个具有不同转录特征的巨噬细胞和树突状细胞（DC）亚群。其中，富集M2样极化特征的巨噬细胞亚群高表达免疫抑制相关基因（如CD163、IL10等），并与T细胞功能耗竭状态显著共定位。该发现提示特定髓系亚群在塑造免疫抑制微环境中发挥关键作用。
3. 耗竭性T细胞亚群与治疗响应的关联
研究人员对T细胞亚群进行了深入分析，鉴定出多个耗竭性T细胞（Tex）亚群，其表达谱呈现分级耗竭特征。通过将Tex亚群的丰度与患者临床治疗结局进行关联分析，发现特定Tex亚群比例较高的患者对ICI治疗响应更好，而终末分化型Tex亚群富集则与不良预后相关，提示Tex亚群的功能状态而非单纯数量是决定治疗响应的关键因素。
4. 免疫治疗响应预测模型的构建与验证
基于上述差异分析，研究人员筛选出一组与治疗响应和耐药显著相关的基因表达特征，构建了预测评分模型。该模型在训练队列中能够有效区分响应者与非响应者，并在独立验证队列中表现出稳定的预测效能，其准确性优于传统单一标志物。该结果支持将单细胞来源的基因特征作为临床分层工具的可能性。
5. 耐药相关细胞状态与潜在机制
研究人员进一步比较了耐药患者与响应患者TME中细胞组成的差异，发现耐药患者中免疫抑制性髓系细胞亚群比例显著升高，且肿瘤细胞呈现上皮-间质转化（EMT）相关基因表达上调。细胞通讯分析提示这些细胞亚群间存在增强的抑制性配体-受体互作，共同构成促进免疫逃逸的微环境网络。
五、讨论与结论总结
在讨论部分，研究人员指出，本研究从单细胞水平系统揭示了TME异质性与免疫治疗响应之间的复杂关联，强调了特定髓系细胞亚群和T细胞耗竭状态在治疗决策中的潜在价值。研究同时指出，单细胞测序成本较高和样本量有限是当前研究的主要局限，未来需要在更大规模前瞻性队列中验证所构建的预测模型，并结合空间转录组学技术进一步解析细胞间相互作用的时空动态。
研究结论部分明确指出：肿瘤微环境中髓系细胞亚群的免疫抑制特征和T细胞耗竭的功能分级是决定免疫治疗响应与耐药的关键因素；基于单细胞转录组数据构建的基因表达特征可作为预测免疫治疗疗效的潜在生物标志物；该研究为精准免疫治疗策略的制定和新型联合治疗靶点的发现提供了重要的理论基础和转化方向。
