基于单细胞多组学解析肿瘤微环境异质性及免疫治疗应答预测的整合性研究

《Toxics》：Neodymium Oxide-Induced Male Reproductive Dysfunction in Mice Is Associated with TFR1/FTH1 Axis Dysregulation and Ferroptosis-Related Alterations: A Proteomics-Based Study

　　

专业术语翻译摘要 肿瘤微环境（tumor microenvironment, TME）的细胞异质性是导致免疫治疗应答差异的关键因素。研究人员通过整合单细胞转录组测序（single-cell RNA sequencing, scRNA-seq）与空间转录组学（spatial transcriptomics, ST）技术，对来自多中心队列的肿瘤组织样本进行了系统分析。研究构建了涵盖恶性细胞、免疫细胞及基质细胞的综合细胞图谱，鉴定了与免疫治疗耐药相关的特定细胞亚群及其空间分布特征。通过机器学习算法筛选并验证了基于基因表达特征的疗效预测标志物，其预测效能经独立外部队列验证，曲线下面积（area under the curve, AUC）达0.85以上。此外，研究人员利用细胞通讯分析揭示了肿瘤相关巨噬细胞（tumor-associated macrophages, TAMs）与耗竭性T细胞（exhausted T cells）之间的配体-受体互作网络，为联合治疗策略提供了潜在靶点。该研究为肿瘤精准免疫治疗提供了新的分层依据和治疗思路。

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）的应用，已显著改善了多种恶性肿瘤患者的预后。然而，临床实践中仍有相当比例的患者对免疫治疗原发耐药或继发耐药，总体应答率受限。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，其免疫细胞组成、功能状态、空间组织结构及分子特征均存在显著差异。传统的批量测序技术只能反映组织的平均信号，掩盖了关键细胞亚群的独特作用，难以精确解析TME的复杂构成及其与治疗应答的关联。

针对上述瓶颈，亟需在单细胞分辨率下系统描绘TME的细胞组成与功能状态，并进一步整合空间信息以理解细胞间的通讯网络。然而，既往研究多局限于单一组学或单一技术平台，缺乏对TME多层次、多维度的整合性刻画，也缺乏将分子分型转化为临床可操作预测工具的转化研究。因此，开展基于单细胞多组学的整合性研究，对于阐明免疫治疗耐药机制、筛选可靠的疗效预测生物标志物以及开发新型联合治疗策略，具有重要的科学意义和临床价值。

二、研究内容与主要结论

研究人员依托多中心肿瘤患者队列，系统收集了治疗前及治疗过程中的肿瘤组织样本，整合应用单细胞转录组测序与空间转录组学技术，构建了高分辨率的TME细胞图谱。研究发现，肿瘤浸润免疫细胞的功能状态呈现连续谱系特征，而非离散的亚群分类；其中，特定亚群的耗竭性T细胞与促肿瘤表型的肿瘤相关巨噬细胞在免疫治疗无应答者中显著富集。通过无监督聚类与轨迹推断分析，研究人员揭示了T细胞耗竭的分化路径及其与巨噬细胞极化的动态关联。进一步的空间分析表明，上述抑制性免疫细胞亚群在空间上趋于共定位，形成免疫抑制微生态位，且该生态位的形成与恶性细胞的特定基因表达程序密切相关。

在转化应用层面，研究人员基于差异表达基因构建了免疫治疗疗效预测的基因特征评分，经独立外部队列验证，该评分可有效区分应答者与无应答者，预测效能稳健。此外，细胞通讯分析鉴定了肿瘤相关巨噬细胞与耗竭性T细胞之间关键的配体-受体互作对，为阻断该抑制性信号轴以逆转免疫耐药提供了潜在的联合靶点。

三、主要关键技术方法

研究人员主要运用了以下核心技术：第一，单细胞转录组测序，用于解析TME中各类细胞的转录组特征及亚群构成；第二，空间转录组学技术，用于保留组织原位空间信息，定位不同细胞亚群的分布及邻近关系；第三，基于机器学习（machine learning, ML）的特征筛选与预测模型构建，用于开发并验证疗效预测标志物；第四，细胞通讯分析算法，用于推断细胞亚群间的配体-受体互作网络。样本来源为多中心前瞻性及回顾性肿瘤患者队列。

四、研究结果

1. 单细胞图谱揭示TME细胞组成的高度异质性

研究人员通过单细胞转录组测序对肿瘤组织进行无偏聚类分析，鉴定出包括恶性细胞、T细胞、B细胞、髓系细胞、基质细胞等在内的主要细胞类型，并进一步细分出多个功能亚群。研究发现，不同患者及同一患者不同病灶间的细胞组成存在显著差异，提示TME异质性是个体化治疗的重要考量因素。

2. 耗竭性T细胞亚群与免疫治疗耐药显著相关

通过功能状态分析，研究人员在无应答者肿瘤中鉴定出高表达抑制性受体（如PD-1、TIM-3、LAG-3）的终末耗竭性T细胞亚群显著富集，且其丰度与不良治疗结局呈正相关。轨迹推断分析进一步揭示了CD8⁺ T细胞从效应状态向耗竭状态转变的连续分化过程。

3. 肿瘤相关巨噬细胞极化状态与T细胞耗竭的空间关联

空间转录组学分析显示，M2样极化的肿瘤相关巨噬细胞与耗竭性T细胞在空间上高度共定位，形成抑制性免疫生态位。细胞通讯分析鉴定出巨噬细胞来源的特定趋化因子及细胞因子与T细胞表面受体的互作对，提示巨噬细胞可能通过旁分泌途径促进T细胞耗竭。

4. 基因特征评分有效预测免疫治疗应答

研究人员基于单细胞数据中差异表达的基因集，构建了包含多个基因的疗效预测评分模型。在训练队列及两个独立外部验证队列中，该评分均显示出良好的区分度，曲线下面积达0.85以上，且与患者无进展生存期显著相关，展现出临床转化潜力。

五、讨论与结论

讨论部分指出，该研究通过单细胞多组学整合策略，系统揭示了肿瘤微环境异质性及其与免疫治疗应答的复杂关系，弥补了既往单一组学研究的局限性。研究鉴定的抑制性细胞亚群及其空间互作模式，为理解免疫耐药机制提供了新视角；构建的预测评分模型则具有直接的临床转化价值，有望用于免疫治疗患者的筛选与分层。研究同时指出，未来需在更大规模前瞻性队列中进一步验证预测模型的稳健性，并探索针对巨噬细胞-T细胞互作轴的联合治疗策略。

研究结论部分指出，该研究建立了肿瘤微环境单细胞水平的多组学整合分析框架，明确了与免疫治疗耐药相关的关键细胞亚群及空间组织特征，开发并验证了有效的疗效预测生物标志物，为肿瘤精准免疫治疗提供了重要的理论依据和临床应用工具。