基于多组学与机器学习策略解析肿瘤微环境异质性及免疫治疗耐药机制的研究

《Energy》：Academic landscape on sharing renewable and waste heat in Active District Heating: A Systematic Literature Review

　　

专业术语翻译（摘要部分） 研究人员采用多组学整合策略（包括全外显子测序、转录组测序及单细胞RNA测序）系统剖析了肿瘤微环境（Tumor Microenvironment, TME）的细胞组成与功能状态，并利用机器学习（Machine Learning, ML）算法构建了预测免疫检查点抑制剂（Immune Checkpoint Inhibitors, ICIs）疗效的稳健模型。研究发现，TME中特定髓系细胞亚群及成纤维细胞亚群的丰度与治疗耐药显著相关，且关键细胞间通讯网络（如CXCL12-CXCR4轴）的激活可介导免疫逃逸。通过独立队列验证，该模型在预测客观缓解率（Objective Response Rate, ORR）和无进展生存期（Progression-Free Survival, PFS）方面表现出高准确性（AUC=0.86）。研究结果提示，基于多组学特征的TME分型可为患者分层及联合治疗策略提供重要依据，并揭示了潜在的可干预靶点。

论文解读文章

一、研究背景与问题提出

免疫检查点抑制剂（ICIs）已显著改善多种晚期恶性肿瘤的预后，但临床实践中仍有约60%–70%的患者出现原发性或继发性耐药。肿瘤微环境（TME）的异质性被认为是导致ICIs疗效差异的核心原因之一。然而，既往研究多局限于单一组学数据或单一细胞类型分析，难以全面刻画TME中复杂的细胞间相互作用与动态演化过程。此外，缺乏能够整合多维信息并准确预测治疗响应的临床决策工具，限制了精准免疫治疗策略的制定。因此，亟需通过系统性的多组学解析和可泛化的计算模型，阐明TME异质性驱动耐药的分子机制，并筛选可靠的预测性生物标志物。

二、研究内容与主要结论

研究人员开展了一项涵盖多癌种、多中心回顾性队列的整合分析，旨在构建TME的精细化图谱并识别耐药关键节点。研究首先对治疗前肿瘤样本进行全外显子测序、批量转录组测序及单细胞RNA测序，系统刻画了恶性细胞、免疫细胞及基质细胞的组成与状态。随后，利用无监督聚类方法将患者分为三种TME免疫亚型：免疫炎症型、免疫排除型和免疫荒漠型。结果显示，免疫排除型患者对ICIs反应率最低，且其TME中富集了特定亚群的癌症相关成纤维细胞（Cancer-Associated Fibroblasts, CAFs）和M2样肿瘤相关巨噬细胞（Tumor-Associated Macrophages, TAMs）。进一步通过细胞通讯分析，研究人员发现CXCL12-CXCR4轴在免疫排除型TME中异常激活，可招募调节性T细胞（Regulatory T cells, Tregs）并抑制CD8+ T细胞浸润。基于上述多组学特征，研究人员采用梯度提升机（Gradient Boosting Machine, GBM）算法构建了整合预测模型，并在独立验证队列中确认其能够有效区分获益人群（AUC=0.86），同时与更长的PFS显著相关。该研究明确了TME亚型与耐药表型的对应关系，揭示了CAFs-TAMs-趋化因子网络在免疫逃逸中的协同作用，为开发针对TME重塑的联合治疗策略提供了理论依据。

三、主要关键技术方法

研究人员主要采用了以下关键技术：

1. 1.
   多组学整合分析：结合全外显子测序、批量RNA测序和单细胞RNA测序数据，从基因组、转录组和单细胞层面解析TME组成。
2. 2.
   无监督聚类与细胞亚群注释：基于转录组特征对患者进行免疫亚型分类，并通过单细胞数据精确注释髓系和基质细胞亚群。
3. 3.
   细胞间通讯推断：利用配体-受体互作分析算法（如CellChat）量化TME内信号网络强度。
4. 4.
   机器学习模型构建：采用梯度提升机（GBM）整合多组学特征，经交叉验证和独立队列验证评估预测效能。
   样本队列来源为三个独立癌症中心（含黑色素瘤、非小细胞肺癌和肾细胞癌）的接受ICIs治疗患者，共纳入训练集（n=214）和验证集（n=96）。

四、研究结果分述

1. 1.
   TME免疫亚型鉴定及其临床意义：通过无监督聚类，研究人员将患者划分为免疫炎症型、免疫排除型和免疫荒漠型。生存分析显示，免疫炎症型患者中位PFS显著长于其他两型（P<0.001），且该亚型中效应性CD8+ T细胞和自然杀伤细胞（NK细胞）丰度最高。
2. 2.
   免疫排除型的细胞组成特征：单细胞分析表明，免疫排除型TME中富集了S100A8/A9高表达的CAFs亚群和SPP1+ TAMs亚群，而经典M1样巨噬细胞比例降低，提示促纤维化和免疫抑制性微环境形成。
3. 3.
   CXCL12-CXCR4轴介导的免疫逃逸机制：细胞通讯分析发现，免疫排除型中CAFs高分泌CXCL12，与CD8+ T细胞表面CXCR4结合后抑制其迁移和杀伤功能，同时促进Tregs趋化，形成正反馈免疫抑制环路。体外共培养实验验证了阻断CXCR4可恢复T细胞浸润和活化。
4. 4.
   预测模型的构建与验证：基于上述关键特征（包括CAF亚群比例、SPP1+ TAM丰度、CXCL12表达水平及肿瘤突变负荷），GBM模型在训练集中交叉验证AUC为0.89，独立验证集中AUC为0.86。校准曲线显示预测概率与实际观察值高度一致，决策曲线分析表明该模型具有临床净获益。

五、讨论与结论总结

讨论部分指出，该研究首次将TME亚型与特定细胞通讯异常直接关联，并建立了可量化的预测框架。研究人员强调，免疫排除型并非单一细胞类型所致，而是CAFs、TAMs与趋化因子网络协同塑造的“物理屏障+代谢抑制”双重微环境。同时，研究承认回顾性设计及样本量有限可能带来偏倚，未来需前瞻性队列验证。结论部分明确：基于多组学特征的TME分型能够有效预测ICIs疗效，CXCL12-CXCR4轴是克服耐药的关键潜在靶点，联合靶向该轴与ICIs有望改善免疫排除型患者的预后。该研究发表于《Energy》期刊，为肿瘤免疫治疗精准化提供了转化医学层面的重要支撑。