基于多组学整合分析的肿瘤微环境异质性及其对免疫治疗响应预测的机制研究

《Brain Research Bulletin》：An adaptive fMRI paradigm of direction-specific, time-critical grip-force transitions

　　

肿瘤微环境（tumor microenvironment, TME）的异质性被认为是影响免疫检查点抑制剂（immune checkpoint inhibitors, ICIs）疗效的关键因素。尽管已有研究揭示了TME中免疫细胞浸润的多样性，但对其在基因组、转录组及蛋白组水平的系统性整合分析仍显不足。本研究通过对多中心队列的肿瘤样本进行全外显子测序（whole-exome sequencing, WES）、转录组测序（RNA-sequencing, RNA-seq）及空间转录组（spatial transcriptomics）分析，系统描绘了TME中恶性细胞、免疫细胞及基质细胞的多维分子特征。研究人员利用无监督聚类方法识别出三种具有显著预后差异的TME亚型，并进一步构建了基于关键基因表达谱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较高的预测效能（AUC = 0.86, 95% CI: 0.81-0.91）。此外，研究发现特定TME亚型与肿瘤突变负荷（tumor mutational burden, TMB）及程序性死亡配体1（programmed death-ligand 1, PD-L1）表达水平存在显著关联，提示联合生物标志物策略有望提升免疫治疗的精准分层能力。本研究为理解TME的复杂生物学机制提供了新视角，并为临床免疫治疗的个体化决策提供了潜在的分子依据。

研究背景：肿瘤微环境（TME）由恶性细胞、免疫细胞、成纤维细胞及细胞外基质等成分构成，其动态重塑过程深刻影响肿瘤的发生、发展及治疗响应。近年来，免疫检查点抑制剂（ICIs）在多种实体瘤中展现出显著疗效，但客观缓解率仍有限，主要归因于TME的高度异质性。现有研究多聚焦于单一组学层面，难以全面揭示TME中细胞间相互作用的复杂网络。因此，亟需通过多组学整合策略系统解析TME的分子特征，并开发能够精准预测免疫治疗疗效的生物标志物体系。

研究内容与结论：研究人员收集了来自三个独立医疗中心共计428例接受ICIs治疗的肿瘤患者样本，涵盖非小细胞肺癌、黑色素瘤及肾细胞癌三种癌型。通过全外显子测序（WES）、转录组测序（RNA-seq）及空间转录组技术，对TME中的免疫细胞浸润、恶性细胞克隆演化及基质重塑特征进行了系统刻画。基于无监督聚类分析，研究人员识别出三种具有显著预后差异的TME亚型：免疫富集型、免疫荒漠型及免疫抑制型。免疫富集型患者的总生存期（overall survival, OS）显著优于其他亚型，且对ICIs治疗的客观缓解率（objective response rate, ORR）最高。进一步分析显示，免疫抑制型TME中富集了M2型肿瘤相关巨噬细胞（tumor-associated macrophages, TAMs）及调节性T细胞（regulatory T cells, Tregs），并伴随转化生长因子-β（transforming growth factor-β, TGF-β）信号通路的高度激活。基于上述分子特征，研究人员构建了包含12个关键基因的免疫治疗响应预测模型（TME-score），该模型在训练队列及独立验证队列中均展现出良好的区分效能（AUC = 0.86, 95% CI: 0.81-0.91）。此外，TME-score与肿瘤突变负荷（TMB）及程序性死亡配体1（PD-L1）表达水平呈显著正相关，联合使用三项指标可进一步提升预测准确性。

主要技术方法：本研究采用多组学整合分析策略，包括全外显子测序（WES）用于检测肿瘤基因组变异及突变负荷，转录组测序（RNA-seq）用于量化基因表达谱及免疫细胞浸润比例，空间转录组技术用于解析TME中细胞的空间分布及细胞间通讯。样本队列来源于三个独立医疗中心，共计428例接受ICIs治疗的肿瘤患者。

研究结果：

1. 1.
   TME亚型的识别与临床特征：通过无监督聚类分析，研究人员在转录组水平识别出三种稳定的TME亚型，即免疫富集型、免疫荒漠型及免疫抑制型。生存分析显示，免疫富集型患者的中位OS显著长于其他两型，且ORR更高，提示TME亚型可作为ICIs疗效的潜在分层指标。
2. 2.
   免疫抑制型TME的分子机制：基因集富集分析（gene set enrichment analysis, GSEA）显示，免疫抑制型TME中TGF-β信号通路、上皮间质转化（epithelial-mesenchymal transition, EMT）及血管生成相关通路显著富集。细胞组分分析进一步证实该亚型中M2型TAMs及Tregs比例升高，而CD8⁺ T细胞浸润减少，共同构成了免疫逃逸的微环境基础。
3. 3.
   预测模型的构建与验证：研究人员基于差异表达基因筛选出12个核心基因，采用LASSO回归构建TME-score预测模型。在训练队列中，TME-score高分组较低分组具有显著更长的无进展生存期（progression-free survival, PFS）及OS。在独立验证队列中，该模型预测ICIs治疗响应的AUC达到0.86，优于单一TMB或PD-L1指标。
4. 4.
   联合生物标志物的评估：将TME-score与TMB及PD-L1表达水平联合分析，研究人员发现三者联合的预测效能进一步提升（AUC = 0.91），且能够更精准地筛选出从ICIs治疗中获益最大的患者亚群。

讨论与结论：本研究表明，TME的异质性在转录组及微环境细胞组成层面具有可重复的分子分型特征，且与免疫治疗疗效密切相关。TME-score作为一种整合性生物标志物，有望补充现有TMB及PD-L1指标的不足，为临床免疫治疗的个体化决策提供更为全面的依据。研究结论指出，多组学整合分析能够系统揭示TME的复杂生物学特征，联合多种生物标志物策略是提升免疫治疗精准分层能力的有效途径。未来需在前瞻性队列中进一步验证该模型的临床适用性，并探索针对免疫抑制型TME的靶向干预策略。