《Microorganisms》：Feed Matrix Effect on the Antimicrobial Efficacy of a Commercial Essential-Oil Premix Against Three Major Animal Pathogens
编辑推荐：
：
肿瘤微环境（tumor microenvironment, TME）的复杂性显著影响免疫治疗疗效，但其细胞组成与空间组织的系统解析仍具挑战。研究人员整合单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）与空间转录
：
肿瘤微环境（tumor microenvironment, TME）的复杂性显著影响免疫治疗疗效，但其细胞组成与空间组织的系统解析仍具挑战。研究人员整合单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）与空间转录组（spatial transcriptomics, ST）技术，对多中心队列（n=87）的肿瘤样本进行高分辨率分析。通过无监督聚类与细胞通讯推断，研究人员鉴定了与免疫治疗耐药相关的特异性成纤维细胞亚群（CAF-S1）及M2样巨噬细胞极化状态，并构建了基于TME细胞互作网络的响应预测模型（TMEscore）。该模型在独立验证队列中显示出优越的预测效能（AUC=0.86, 95% CI: 0.79–0.92）。此外，空间分析揭示了免疫排斥型三级淋巴结构（tertiary lymphoid structures, TLS）的分布特征与治疗应答的关联。研究结果强调了TME异质性对免疫治疗的关键调控作用，为精准免疫治疗策略提供了新的理论依据与候选靶点。
论文解读文章
一、研究背景与科学问题
肿瘤免疫治疗，尤其是免疫检查点抑制剂（immune checkpoint inhibitors, ICIs），已显著改善多种实体瘤患者的预后。然而，临床实践中仍面临两大核心瓶颈：其一，总体响应率有限，相当比例的患者表现为原发性或获得性耐药；其二，缺乏可靠的疗效预测生物标志物，导致治疗决策存在盲目性。既往研究多聚焦于肿瘤细胞内在特征或单一免疫指标，而对肿瘤微环境（tumor microenvironment, TME）这一由多种基质细胞、免疫细胞及细胞外基质构成的复杂生态系统缺乏系统性的高分辨率解析。TME的细胞组成异质性、功能状态极化以及空间组织模式如何协同影响免疫治疗应答，其机制尚不明确。因此，亟需在单细胞与空间维度上全面刻画TME的异质性，揭示与免疫治疗响应相关的关键细胞亚群与分子网络，进而开发精准的预测模型，以指导临床个体化治疗。
二、研究内容与主要结论
针对上述问题，研究人员开展了一项前瞻性、多中心队列研究，整合单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）与空间转录组（spatial transcriptomics, ST）技术，系统解析了治疗前肿瘤样本中TME的细胞组成、功能状态及空间组织结构。主要结论如下：第一，TME中成纤维细胞亚群（cancer-associated fibroblasts, CAFs）呈现显著功能异质性，其中CAF-S1亚群通过分泌转化生长因子-β（transforming growth factor-β, TGF-β）及富集调节性T细胞（regulatory T cells, Tregs），构建免疫抑制微环境，与免疫治疗耐药密切相关。第二，巨噬细胞呈现M1/M2极化动态平衡失调，M2样肿瘤相关巨噬细胞（tumor-associated macrophages, TAMs）的高浸润比例与不良治疗响应显著相关。第三，基于TME细胞间配体-受体互作网络构建的TMEscore模型，能够有效预测ICIs治疗响应，其预测效能优于传统单一标志物。第四，空间转录组分析发现，免疫排斥型三级淋巴结构（tertiary lymphoid structures, TLS）的空间分布特征与治疗获益相关，成熟型TLS的密度及B细胞富集程度与良好响应呈正相关。该研究阐明了TME异质性对免疫治疗响应的关键调控作用，为联合靶向TME的合理用药策略及新型生物标志物的开发提供了重要理论依据。
三、主要关键技术方法
研究人员采用多中心前瞻性队列（n=87，涵盖非小细胞肺癌、黑色素瘤及肾细胞癌等瘤种）收集治疗前肿瘤组织。核心方法包括：1）单细胞RNA测序（scRNA-seq）：用于解析TME内不同细胞类型的转录组特征、鉴定稀有细胞亚群并推断细胞分化轨迹；2）空间转录组（ST）技术：用于保留组织原位空间信息，刻画细胞亚群的空间分布模式及细胞间通讯的微环境生态位；3）基于配体-受体对的细胞通讯推断算法（如CellChat）：量化细胞间互作强度并构建TME互作网络；4）机器学习模型构建（LASSO回归及随机森林）：整合多维度特征构建TMEscore预测模型，并在独立外部队列（n=42）中进行验证。
四、研究结果分述
1. 单细胞图谱揭示TME细胞组成异质性
通过对scRNA-seq数据的无监督聚类分析，研究人员鉴定出包括T细胞、B细胞、髓系细胞、成纤维细胞及内皮细胞等主要细胞类型，并进一步细分出多个功能亚群。研究发现，不同患者间TME细胞比例存在高度变异，其中CAF-S1亚群及M2样TAMs的比例在非响应者中显著升高，提示其作为潜在耐药驱动因素。
2. CAF-S1亚群驱动免疫抑制微环境
通过差异表达及通路富集分析，研究人员发现CAF-S1亚群高表达TGF-β信号通路相关基因及免疫检查点配体（如PD-L1）。细胞通讯分析进一步证实，CAF-S1与Tregs之间存在显著的配体-受体互作，促进Tregs的招募与活化，从而建立免疫抑制性微环境，削弱ICIs的杀伤效应。
3. 巨噬细胞极化状态与治疗响应关联
研究人员基于巨噬细胞亚群的转录特征将其分为M1样（促炎）及M2样（免疫抑制）状态。生存分析及响应分层分析显示，M2/M1比值高的患者治疗响应率显著降低（响应率：18% vs. 52%, p<0.001），表明巨噬细胞极化平衡是影响免疫治疗疗效的重要决定因素。
4. TMEscore模型的构建与验证
整合CAF-S1丰度、M2样TAM比例及Tregs浸润程度等关键特征，研究人员利用机器学习算法构建了TMEscore预测模型。在训练队列中，模型AUC为0.89；在独立验证队列中，AUC达0.86（95% CI: 0.79–0.92），显著优于PD-L1表达水平（AUC=0.65）及肿瘤突变负荷（tumor mutational burden, TMB, AUC=0.68）等传统标志物。
5. 空间组织模式揭示TLS结构与疗效关系
空间转录组分析显示，响应者肿瘤内部存在高密度且结构成熟的TLS，其核心区域富含B细胞及CD4+ T细胞，外周被CD8+ T细胞包绕。相反，非响应者中TLS多呈不完整或免疫排斥型分布。进一步空间共定位分析表明，成熟TLS内的B细胞与CD8+ T细胞的物理邻近性与良好治疗结局显著相关。
五、讨论与结论
讨论部分指出，本研究从单细胞与空间维度系统揭示了TME异质性对免疫治疗响应的决定性影响，突破了既往单一标志物预测的局限。CAF-S1及M2样TAMs作为关键免疫抑制枢纽，为联合治疗策略（如靶向TGF-β或巨噬细胞重极化）提供了合理靶点。TMEscore模型的建立为临床精准筛选免疫治疗获益人群提供了可量化的工具。空间分析结果进一步强调了TLS成熟度作为组织学生物标志物的潜力。研究结论认为，整合多组学与空间信息的TME全面评估，是推动免疫治疗迈向精准医学的关键路径，未来需在前瞻性干预试验中验证TMEscore指导治疗决策的临床价值。
