《Cells》：ENO1-Related Signaling in Hypertension-Associated Atrial Remodeling: Evidence Implicating PI3K/AKT and NOX4
编辑推荐：
背景：结直肠癌（colorectal cancer, CRC）是全球癌症相关死亡的主要原因之一。肿瘤微环境（tumor microenvironment, TME）的异质性严重影响CRC的预后和对免疫检查点抑制剂（immune checkpoint inhib
背景：结直肠癌（colorectal cancer, CRC）是全球癌症相关死亡的主要原因之一。肿瘤微环境（tumor microenvironment, TME）的异质性严重影响CRC的预后和对免疫检查点抑制剂（immune checkpoint inhibitors, ICIs）的治疗响应。然而，目前缺乏整合单细胞和空间水平数据来系统解析TME异质性并指导临床决策的综合策略。
方法：研究人员对来自公开数据库的CRC单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）数据进行了综合分析，鉴定出不同的细胞亚群及其功能状态。利用空间转录组（spatial transcriptomics, ST）数据验证了关键细胞亚群的空间分布特征。通过非负矩阵分解（non-negative matrix factorization, NMF）算法和多种机器学习方法（包括最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归、随机森林（random forest, RF）和支持向量机（support vector machine, SVM）），研究人员构建了一个基于TME相关基因的预后风险评分模型。该模型在多个独立CRC队列中进行了验证。
结果：研究人员鉴定了多种TME细胞亚群，包括具有不同功能极化状态的肿瘤相关巨噬细胞（tumor-associated macrophages, TAMs）和癌症相关成纤维细胞（cancer-associated fibroblasts, CAFs）。空间分析揭示了这些细胞亚群在肿瘤核心和浸润前沿的差异化分布模式。基于TME特征构建的预后模型在训练队列和多个验证队列中均表现出良好的预测效能。高风险组患者的总生存期（overall survival, OS）显著缩短，且表现出更高的免疫抑制性TME特征和更低的ICIs治疗响应潜力。
结论：该研究系统解析了CRC TME的细胞和空间异质性，构建的预后模型可有效预测患者生存结局和免疫治疗响应，为CRC患者的风险分层和个体化治疗决策提供了新的生物标志物和理论依据。
论文解读文章
一、研究背景与问题
结直肠癌（colorectal cancer, CRC）作为全球高发恶性肿瘤，其发病率和死亡率长期位居前列。尽管近年来手术、化疗及靶向治疗不断进步，但晚期CRC患者的预后仍然不佳，尤其是对免疫检查点抑制剂（immune checkpoint inhibitors, ICIs）的治疗响应率仅在少数特定亚型中较为理想。这一临床困境的根源在于肿瘤微环境（tumor microenvironment, TME）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、基质细胞活化程度以及细胞间通讯网络均存在显著差异。这种异质性不仅影响肿瘤的进展和转移行为，也直接决定了患者对免疫治疗的敏感性和耐药性。
然而，既往对CRC TME的研究多基于bulk转录组测序或免疫组织化学，难以精确解析不同细胞亚群的组成和功能状态，更无法揭示细胞在肿瘤组织中的空间分布规律。单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）虽能提供细胞类型的高分辨率图谱，但缺乏空间位置信息；而空间转录组（spatial transcriptomics, ST）技术则弥补了这一不足，可在保留组织原位的条件下同时获取基因表达和空间坐标信息。因此，整合scRNA-seq和ST数据，系统解析CRC TME的细胞异质性和空间组织结构，并据此构建可指导临床决策的预后预测工具，是当前CRC研究领域亟待解决的关键科学问题。
二、研究内容与核心结论
针对上述问题，研究人员整合了多个公开可用的CRC scRNA-seq数据集和ST数据集，开展了系统的生物信息学分析。研究首先通过无监督聚类和细胞类型注释，绘制了CRC TME的细胞亚群全景图谱，重点解析了肿瘤相关巨噬细胞（tumor-associated macrophages, TAMs）和癌症相关成纤维细胞（cancer-associated fibroblasts, CAFs）的功能异质性。随后利用ST数据验证了关键细胞亚群在肿瘤核心区和浸润前沿的空间分布差异。在此基础上，研究人员通过非负矩阵分解（non-negative matrix factorization, NMF）算法提取TME相关的转录程序特征，并综合运用LASSO回归、随机森林（random forest, RF）和支持向量机（support vector machine, SVM）等多种机器学习方法，筛选出核心标志基因，构建了TME相关的预后风险评分模型。该模型在训练队列和多个独立外部验证队列中均表现出稳定且良好的预测效能，可将患者区分为预后显著不同的高风险组和低风险组。进一步分析显示，高风险组患者的总生存期（overall survival, OS）明显缩短，其TME呈现更强的免疫抑制特征，且对ICIs治疗的潜在响应率更低。
三、主要技术方法概述
研究人员主要运用了以下几项关键技术：第一，scRNA-seq数据分析，包括质量控制、批次校正、无监督聚类和基于已知标志基因的细胞类型注释，以构建TME细胞图谱；第二，ST数据分析，用于验证细胞亚群的空间共定位和区域分布特征；第三，NMF算法用于从转录组数据中提取稳定的细胞功能程序或TME相关特征模块；第四，多种机器学习算法（LASSO、RF、SVM）的组合策略用于特征筛选和预后模型构建，并通过时间依赖的受试者工作特征（receiver operating characteristic, ROC）曲线评估模型效能。所有数据均来源于公开数据库中的CRC患者队列，包括多个独立的外部验证集。
四、研究结果分述
TME细胞亚群图谱的构建：通过scRNA-seq数据的整合分析，研究人员鉴定出CRC TME中包括恶性上皮细胞、T细胞、B细胞、自然杀伤（natural killer, NK）细胞、巨噬细胞、树突状细胞（dendritic cells, DCs）、CAFs和内皮细胞等主要细胞类型。其中，TAMs可进一步分为多个具有不同功能极化状态的亚群，如促炎型（M1样）和免疫抑制型（M2样）巨噬细胞；CAFs也呈现出不同的活化表型，部分亚群高表达细胞外基质（extracellular matrix, ECM）重塑相关基因，与肿瘤侵袭和免疫排斥密切相关。
空间分布特征的解析：利用ST数据，研究人员发现不同TME细胞亚群在肿瘤组织中呈现非随机的空间组织模式。M2样免疫抑制型巨噬细胞和特定CAF亚群富集于肿瘤浸润前沿，而效应性T细胞则更多分布于肿瘤核心的免疫活性区域。这种空间隔离现象提示TME中可能存在物理屏障和趋化因子介导的细胞排斥机制，导致效应免疫细胞难以有效浸润肿瘤实质。
预后风险模型的构建与验证：基于NMF提取的TME特征和机器学习筛选的标志基因，研究人员构建了预后风险评分模型。在训练队列中，该模型将患者分为高风险和低风险两组，两组间OS差异具有统计学显著性。在多个独立外部验证队列中，模型的预后分层能力得到重复验证，且其预测效能优于单一的临床病理指标。
预后模型与免疫治疗响应的关联分析：研究人员进一步评估了预后模型与免疫治疗响应之间的关系。结果显示，高风险组患者肿瘤组织中免疫抑制性细胞（如调节性T细胞（regulatory T cells, Tregs）和M2样TAMs）比例更高，免疫检查点分子（如PD-L1、CTLA-4）表达水平也更高，但基于T细胞炎症基因表达特征预测的ICIs响应评分却更低。这一结果表明高风险组患者可能处于一种“免疫排斥但炎症抑制”的状态，对ICIs单药治疗的获益有限。
五、讨论与结论
在讨论部分，研究人员指出，本研究通过整合单细胞和空间多组学数据，系统揭示了CRC TME的细胞组成异质性和空间组织结构，突破了以往基于bulk数据难以区分细胞亚群和空间信息的局限。所构建的预后模型不仅具有独立的预后预测价值，还反映了TME的免疫状态，有望作为免疫治疗响应预测的补充工具。研究同时指出，该模型基于公开数据集构建，尚需前瞻性临床队列和功能性实验进一步验证其转化应用价值；此外，不同单细胞数据集之间的批次效应和注释标准差异也可能对结果产生一定影响。
研究结论：该研究系统解析了CRC肿瘤微环境的细胞异质性和空间分布特征，构建并验证了一个基于TME相关基因的预后风险评分模型。该模型可有效区分CRC患者的生存预后，并提示高风险组患者具有更强的免疫抑制微环境和较低的ICIs治疗响应潜力，为CRC患者的风险分层、预后评估和免疫治疗决策提供了新的分子标志物和理论依据。
