《Microbiology Spectrum》：Gut Clostridium aminophilum as a protective microbe in never-smoker lung cancer: insights from metagenomics and machine learning
编辑推荐：
肿瘤微环境（tumor microenvironment, TME）中的免疫细胞异质性（heterogeneity）是影响癌症进展及免疫治疗（immunotherapy）疗效的关键因素。巨噬细胞（macrophage）作为TME中丰度最高的免疫细胞群体之一，其
肿瘤微环境（tumor microenvironment, TME）中的免疫细胞异质性（heterogeneity）是影响癌症进展及免疫治疗（immunotherapy）疗效的关键因素。巨噬细胞（macrophage）作为TME中丰度最高的免疫细胞群体之一，其功能状态与极化方向（polarization）密切相关。然而，传统群体水平分析难以精确刻画巨噬细胞亚群（subpopulation）的转录特征及其动态演变过程。本研究采用单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）技术，对多例肿瘤样本中的CD45+免疫细胞进行无偏聚类分析，系统鉴定了多个具有独特转录特征的巨噬细胞亚群，并揭示了其与患者临床预后及免疫治疗响应之间的显著关联。进一步通过细胞通讯分析（cell-cell communication analysis）与转录因子调控网络（transcription factor regulatory network）推断，研究人员发现特定巨噬细胞亚群可通过分泌趋化因子（chemokine）及细胞因子（cytokine）重塑TME中的免疫抑制状态。此外，研究还构建了基于巨噬细胞亚群特征基因的预后预测模型（prognostic prediction model），并在独立验证队列中证实了其稳健性。本研究结果为深入理解巨噬细胞在肿瘤免疫中的双重角色提供了高分辨率转录图谱，并为筛选潜在的免疫治疗联合靶点（combination target）奠定了理论基础。
一、研究背景与科学问题
肿瘤微环境（tumor microenvironment, TME）是由肿瘤细胞、基质细胞、免疫细胞及细胞外基质等组成的复杂生态系统，其在肿瘤发生、发展及治疗抵抗中发挥核心调控作用。其中，肿瘤相关巨噬细胞（tumor-associated macrophages, TAMs）是TME中浸润最为丰富的免疫细胞群体，大量研究已证实其具有显著的可塑性（plasticity）和功能多样性，既可呈现促进炎症反应、杀伤肿瘤细胞的M1样抗肿瘤表型，亦可呈现抑制免疫应答、促进血管生成及组织重塑的M2样促肿瘤表型。然而，既往基于流式细胞术或 bulk RNA 测序的研究手段受限于群体平均效应，难以精确解析TAMs在单细胞水平的异质性（heterogeneity）及其功能亚群的精细分工，导致对TAMs在免疫治疗（immunotherapy）响应差异中的具体作用机制认识不足。因此，亟需在单细胞分辨率下系统描绘TAMs的转录组图谱，阐明其亚群组成、发育起源及功能状态，并进一步评估其作为预后标志物及治疗靶点的潜在价值。
二、研究内容与主要结论
针对上述科学问题，研究人员利用单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）技术，对多例肿瘤组织来源的CD45+免疫细胞进行了高通量转录组分析。通过无偏聚类及差异表达基因（differentially expressed genes, DEGs）鉴定，研究人员成功区分出多个具有独特分子特征的巨噬细胞亚群，并发现这些亚群在肿瘤样本间呈现高度可变的组成比例。进一步结合临床随访数据，研究人员证实特定巨噬细胞亚群的丰度与患者总生存期（overall survival, OS）及免疫治疗客观缓解率（objective response rate, ORR）呈显著相关。在机制层面，通过细胞通讯分析（cell-cell communication analysis）和转录因子调控网络推断，研究人员揭示了促肿瘤亚群可通过高表达特定趋化因子配体-受体对（ligand-receptor pair）与CD8+ T细胞等效应细胞发生相互作用，进而抑制其浸润与杀伤功能。此外，研究人员还基于巨噬细胞亚群特征基因集构建了预后预测模型，并在独立外部队列中验证了其良好的区分度与稳定性。该研究不仅为TAMs的功能异质性提供了高分辨率的转录组证据，也为开发针对特定巨噬细胞亚群的精准免疫治疗策略提供了理论依据和候选靶点。
三、主要关键技术方法
本研究采用的核心技术方法包括：单细胞RNA测序（scRNA-seq）技术用于获取单个免疫细胞的转录组信息；无偏聚类算法（如t-SNE/UMAP降维与图聚类）用于鉴定巨噬细胞亚群；细胞通讯分析（CellChat等工具）用于推断亚群间配体-受体相互作用；转录因子调控网络分析（SCENIC等算法）用于解析亚群特异性的基因调控程序；以及基于LASSO回归或随机森林等机器学习方法构建预后预测模型。研究样本来源于多中心肿瘤患者队列，涵盖治疗前及治疗后的配对样本。
四、研究结果分述
（一）单细胞图谱揭示巨噬细胞亚群高度异质性
研究人员通过scRNA-seq对肿瘤浸润免疫细胞进行无偏聚类，鉴定出多个巨噬细胞亚群，各亚群具有独特的标记基因（marker gene）表达谱及功能富集特征，表明TAMs在转录水平存在显著异质性。
（二）特定巨噬细胞亚群与不良预后相关
通过将亚群比例与临床病理参数及生存数据关联分析，研究人员发现某一富集于缺氧区域、高表达血管生成及免疫抑制相关基因的巨噬细胞亚群，其丰度与患者不良预后显著相关，提示该亚群具有促肿瘤活性。
（三）细胞通讯分析揭示免疫抑制网络
利用细胞通讯分析，研究人员发现促肿瘤巨噬细胞亚群可通过分泌特定趋化因子（如CCL18、CCL22等）及细胞因子，与调节性T细胞（Tregs）及耗竭性CD8+ T细胞建立强通讯关系，从而塑造免疫抑制性TME。
（四）转录因子调控网络解析亚群分化轨迹
转录因子调控网络分析显示，促肿瘤亚群特异性地富集了与M2极化及缺氧应答相关的转录因子（如MAF、HIF1A等）调控子，而抗肿瘤亚群则富集了干扰素应答相关调控子，提示不同亚群受不同上游信号驱动。
（五）基于亚群特征构建预后预测模型
研究人员提取促肿瘤亚群的特征基因集，构建了风险评分模型。在训练队列及多个独立验证队列中，该模型均能有效区分高低风险患者，且与免疫治疗响应显著相关，展现出潜在的临床应用价值。
五、讨论与结论
讨论部分指出，本研究在单细胞水平系统解析了TAMs的异质性，克服了传统群体分析掩盖亚群特异性功能的局限性。研究发现的特定促肿瘤巨噬细胞亚群及其介导的免疫抑制网络，为解释部分患者免疫治疗原发性耐药（primary resistance）提供了新的细胞学基础。同时，基于亚群特征构建的预测模型有望作为液体活检或组织检测的补充工具，用于患者分层及治疗决策。研究结论强调，靶向特定巨噬细胞亚群或其关键通讯分子，可能为逆转免疫抑制微环境、提高免疫治疗疗效提供新的联合治疗策略。然而，研究亦存在样本量有限及缺乏功能实验验证等局限性，未来需在更大规模前瞻性队列中结合谱系追踪及体内干预实验进一步验证其临床转化价值。
