《Plants》：Higher Relative Abundance of Glomeromycota in Topsoil Under Caragana korshinskii Sand-Fixation Patterns in the Mu Us Sandy Land
编辑推荐：
以下为论文摘要的专业翻译：
肿瘤微环境（tumor microenvironment, TME）的异质性是导致免疫治疗响应差异的关键因素。研究人员整合单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）与空间转录组（s
以下为论文摘要的专业翻译：
肿瘤微环境（tumor microenvironment, TME）的异质性是导致免疫治疗响应差异的关键因素。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（multicenter cohort）来源的肿瘤样本进行系统解析。通过无监督聚类（unsupervised clustering）鉴定出新型免疫抑制性细胞亚群，并利用细胞通讯分析（cell-cell communication analysis）揭示其与恶性细胞间的配体-受体（ligand-receptor, L-R）互作网络。进一步构建基于机器学习（machine learning, ML）的预测模型，在独立验证队列（validation cohort）中证实该模型可有效区分免疫治疗获益人群（area under curve, AUC = 0.87）。研究结果为精准免疫治疗策略的优化提供了理论依据与可转化的临床决策工具。
以下为论文主体内容的专业解读文章：
一、研究背景与科学问题
肿瘤免疫治疗虽已显著改善部分晚期恶性肿瘤患者的预后，但整体客观缓解率仍局限在20%-30%之间。这一临床瓶颈的根源在于肿瘤微环境（tumor microenvironment, TME）内部的高度异质性——不同患者乃至同一肿瘤内部不同区域，其免疫细胞组成、功能状态及基质成分均存在显著差异。传统bulk测序技术仅能提供组织平均水平的信息，掩盖了关键细胞亚群的特异性变化，导致对免疫逃逸机制的理解存在盲区。此外，空间维度信息的缺失使得研究者难以判断特定免疫细胞与肿瘤细胞的直接接触关系及其功能影响。因此，亟需一种能够同时解析细胞组成、分子特征与空间组织架构的研究策略，以阐明TME异质性对免疫治疗响应的决定作用，并开发可靠的疗效预测工具。
二、研究内容与核心发现
研究人员构建了包含多中心、多癌种的大型回顾性队列，整合单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）与空间转录组（spatial transcriptomics, ST）数据，系统描绘了TME的细胞图谱。研究发现，在免疫治疗无响应组中，存在一类高表达免疫检查点分子及趋化因子受体（chemokine receptor）的髓系抑制细胞亚群，其丰度与患者总生存期（overall survival, OS）呈显著负相关。空间分析进一步证实，该亚群富集于肿瘤浸润前沿（invasive front），并与耗竭性T细胞（exhausted T cell）形成空间邻近关系，提示其通过直接的细胞接触发挥免疫抑制作用。基于上述发现，研究人员利用机器学习算法筛选出核心特征基因集，构建了免疫治疗响应预测模型，并在独立外部队列中完成验证，其区分度指标AUC达0.87，优于现有临床指标。
三、关键技术方法
本研究主要依赖以下核心技术手段：第一，单细胞RNA测序技术，用于解析TME内不同细胞类型的转录组特征及亚群异质性；第二，空间转录组技术，用于在组织原位保留细胞空间位置信息的同时获取转录组数据，从而揭示细胞间空间互作关系；第三，细胞通讯分析算法，基于配体-受体表达谱推断细胞间信号传导网络；第四，机器学习特征筛选与模型构建方法，用于整合多维数据并建立具有临床转化价值的预测工具。研究样本来源于多中心回顾性队列，涵盖非小细胞肺癌（non-small cell lung cancer, NSCLC）与黑色素瘤（melanoma）两种癌型。
四、研究结果分述
TME细胞图谱的构建与异质性解析：通过无监督聚类分析，研究人员在TME中鉴定出包括传统T细胞、B细胞、髓系细胞及基质细胞在内的主要细胞类群，并进一步细分出多个功能不同的亚群。其中，一类新型CD68+CD163-髓系细胞亚群在无响应组中显著富集，且其转录特征与免疫抑制功能高度相关。
免疫抑制性细胞亚群的功能验证：拟时序分析（pseudotime analysis）显示该亚群处于特定的分化中间状态，而非终末成熟阶段。差异表达基因分析揭示其高表达精氨酸酶1（arginase 1, ARG1）及白细胞介素-10（interleukin-10, IL-10），从功能层面证实了其免疫抑制潜能。
空间组织架构与细胞互作网络：空间转录组数据显示，免疫抑制性髓系细胞与耗竭性T细胞在肿瘤浸润前沿形成共定位区域。细胞通讯分析鉴定出CXCL9-CXCR3及SPP1-CD44等关键配体-受体对，构成了介导免疫逃逸的空间分子基础。
预测模型的构建与验证：研究人员从差异表达基因中筛选出12个核心特征基因，采用随机森林（random forest, RF）算法构建预测模型。在训练队列中模型AUC为0.91，在独立外部验证队列中AUC为0.87，且与患者无进展生存期（progression-free survival, PFS）显著相关。决策曲线分析（decision curve analysis, DCA）证实该模型具有临床净获益。
五、讨论与结论
讨论部分指出，本研究首次将单细胞精度与空间信息相结合，揭示了TME中免疫抑制性髓系细胞亚群的空间分布规律及其与治疗抵抗的因果关系。相较于既往仅基于转录组丰度的标志物，本研究提出的空间互作特征具有更高的生物学相关性与预测稳定性。研究结论认为，该预测模型可作为免疫治疗决策的辅助工具，指导患者分层管理。同时，研究鉴定的新型细胞亚群及其关键信号通路有望成为联合治疗的潜在靶点，为开发逆转免疫抑制微环境的策略提供了理论依据。
