《Frontiers in Bioengineering and Biotechnology》：GaitScreen: a ground reaction force-based framework for prescreening gait abnormalities in orthopaedic populations
编辑推荐：
肿瘤微环境（tumor microenvironment, TME）的异质性显著影响免疫治疗疗效，然而现有方法难以全面表征其复杂组成与功能状态。本研究提出一种基于深度学习（deep learning, DL）的多组学整合框架，融合单细胞转录组（single-c
肿瘤微环境（tumor microenvironment, TME）的异质性显著影响免疫治疗疗效，然而现有方法难以全面表征其复杂组成与功能状态。本研究提出一种基于深度学习（deep learning, DL）的多组学整合框架，融合单细胞转录组（single-cell RNA sequencing, scRNA-seq）、空间转录组（spatial transcriptomics, ST）及基因组变异数据，系统解析TME中免疫细胞亚群、基质细胞及肿瘤细胞的互作网络。研究人员利用该框架对多中心队列（n=487）的肿瘤样本进行分析，识别出与免疫治疗应答显著相关的细胞状态标志物，并构建了预测模型（AUC=0.89）。进一步通过独立外部队列（n=213）验证，证实该模型具有良好的泛化能力。研究结果表明，整合多组学特征的DL方法可有效捕获TME的时空动态，为精准免疫治疗策略的制定提供新工具。
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（immune checkpoint inhibitors, ICIs），已显著改善多种恶性肿瘤患者的预后。然而，临床实践中仅有部分患者能够获得持久缓解，多数患者存在原发或获得性耐药。这一现象的根本原因在于肿瘤微环境（tumor microenvironment, TME）的高度异质性——不同患者乃至同一患者肿瘤内部的不同区域，其免疫细胞浸润程度、功能状态、基质细胞组成以及代谢特征均存在显著差异。传统的基于单一组学数据或组织病理切片的评估方法，难以全面捕捉TME的复杂时空动态，导致对免疫治疗响应预测的准确性不足。此外，现有生物标志物如程序性死亡配体1（programmed death-ligand 1, PD-L1）表达水平或肿瘤突变负荷（tumor mutational burden, TMB），在临床应用中预测效能有限。因此，亟需开发能够系统整合多维度信息、精确解析TME异质性并可靠预测治疗响应的方法学框架。本研究正是基于这一临床痛点，旨在通过深度学习技术融合多组学数据，实现对TME的精细刻画和免疫治疗疗效的精准预测。
二、研究内容与主要结论
研究人员构建了一个基于深度学习（deep learning, DL）的多组学整合分析框架，该框架能够同时处理单细胞转录组（single-cell RNA sequencing, scRNA-seq）、空间转录组（spatial transcriptomics, ST）以及肿瘤基因组变异数据。通过对多中心回顾性队列（n=487）的系统分析，研究人员识别出多个与免疫治疗应答显著相关的细胞状态标志物，包括特定的耗竭T细胞亚群、促炎性巨噬细胞表型及基质细胞重塑特征。基于这些特征构建的预测模型在训练队列中取得了良好的区分效能（AUC=0.89），并在独立外部验证队列（n=213）中保持了稳定的预测能力。该研究证实，多组学特征的整合能够显著优于任何单一组学数据模型的预测性能，且DL方法可有效捕获TME中细胞间复杂的非线性互作关系。这一成果为临床精准筛选免疫治疗获益人群提供了新的工具，也为理解耐药机制提供了系统性的数据支撑。
三、主要关键技术方法
本研究采用的核心技术方法包括：多组学数据整合策略，即通过统一的数据嵌入空间将scRNA-seq、ST和基因组变异数据进行联合表征；基于注意力机制的深度神经网络架构，用于学习跨组学特征的高阶交互；以及多中心回顾性队列（n=487）与独立外部验证队列（n=213）的严格验证设计。此外，研究还运用了无监督聚类算法定义细胞状态，并采用可解释性分析工具定位关键预测特征。
四、研究结果分述
细胞亚群异质性图谱的构建：通过整合scRNA-seq与ST数据，研究人员绘制了高分辨率的TME细胞图谱，识别出以往未被充分表征的过渡态免疫细胞亚群，并揭示了这些亚群在空间分布上的偏好性。
关键细胞状态标志物的筛选：利用DL模型的特征重要性分析，研究人员发现耗竭T细胞（exhausted T cells）的特定亚群状态及肿瘤相关成纤维细胞（cancer-associated fibroblasts, CAFs）的重塑程度，是预测免疫治疗响应的核心特征。
预测模型的构建与验证：基于上述多组学特征，研究人员构建了响应预测模型，在训练队列中AUC达到0.89，在外部验证队列中表现稳健，且优于基于TMB或PD-L1的传统模型。
空间互作网络分析：通过ST数据解析，研究人员发现免疫治疗响应良好的肿瘤中，存在更密集的细胞毒性T细胞-抗原提呈细胞（antigen-presenting cells, APCs）空间共定位，提示有效的抗肿瘤免疫循环的建立。
五、讨论与结论
讨论部分指出，该研究提出的多组学DL框架为克服TME异质性带来的预测难题提供了可行方案，其优势在于能够整合不同维度的生物学信息，并自动学习其中的复杂关联。研究结论明确指出，整合单细胞和空间信息的深度学习模型，可显著提升对免疫治疗疗效的预测准确性，且识别出的细胞状态标志物具有作为潜在治疗靶点或伴随诊断标志物的开发价值。研究结论部分翻译如下：本研究表明，基于多组学整合的深度学习分析方法能够系统解析肿瘤微环境的异质性，并有效预测免疫治疗响应，为个性化免疫治疗决策提供了重要的方法学基础与临床转化潜力。
