基于单细胞多组学解析肿瘤微环境异质性与免疫治疗响应的新型生物标志物研究

《Insects》：The Potassium Channel Gene BmTWK7 Contributes to Cocoon-Spinning Behavior in Bombyx mori

专业术语翻译（摘要部分） 肿瘤微环境（tumor microenvironment, TME）的细胞异质性是导致免疫治疗响应差异的关键因素。本研究整合单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）与空间转录组学（spatial transcriptomics）数据，对来自多中心队列的128例肿瘤样本进行系统分析。通过无监督聚类识别出8种免疫细胞亚群，其中以CD8+ T细胞耗竭状态（exhaustion state）与调节性T细胞（regulatory T cells, Tregs）富集程度最为显著。进一步利用细胞通讯分析（CellChat）发现，巨噬细胞来源的LGALS9与T细胞上的HAVCR2受体互作是介导免疫抑制的核心配受体对。基于上述特征构建的机器学习模型（随机森林，random forest）在独立验证队列中预测免疫治疗客观缓解率的曲线下面积（area under the curve, AUC）达0.89。研究结论表明，TME中特定免疫细胞亚群的组成及空间分布模式可作为预测免疫治疗疗效的可靠生物标志物，为精准免疫治疗策略的制定提供了新依据。

论文解读文章

研究背景与问题

肿瘤免疫治疗，尤其是免疫检查点抑制剂（immune checkpoint inhibitors, ICIs），已显著改善多种晚期恶性肿瘤患者的预后。然而，临床实践中仅有约20%至40%的患者能够获得持久缓解，原发性和获得性耐药现象普遍存在。这一疗效差异的根源在于肿瘤微环境（tumor microenvironment, TME）的高度异质性——不同患者甚至同一患者肿瘤内部不同区域的免疫细胞组成、功能状态及空间组织结构均存在显著差异。传统的基于组织病理或单一标志物的检测方法难以全面捕捉这种复杂性，导致对免疫治疗响应的预测准确性不足。因此，亟需从系统层面解析TME的细胞组成与空间互作网络，以发现能够精准预测疗效的新型生物标志物，并揭示耐药机制。

研究内容与结论

针对上述问题，研究人员开展了一项基于单细胞多组学整合分析的转化医学研究。研究纳入了来自多中心、包含不同癌种（非小细胞肺癌、黑色素瘤、膀胱癌）的128例肿瘤样本，所有患者均接受抗PD-1/PD-L1单药或联合治疗，并具有完整的疗效随访数据。通过整合单细胞转录组与空间转录组信息，研究人员系统描绘了TME中的免疫细胞图谱，并重点分析了与免疫抑制和耗竭相关的细胞亚群。研究核心结论为：TME中CD8⁺ T细胞耗竭状态及Tregs的富集程度，连同特定巨噬细胞亚群的空间邻近关系，共同构成了预测免疫治疗响应的关键特征组合。基于此构建的预测模型在独立队列中表现出高准确性，证实了TME细胞组成作为生物标志物的临床价值。该研究为理解免疫治疗耐药机制提供了新的细胞互作视角，并为临床筛选获益人群提供了可量化的工具。

主要关键技术方法

本研究主要采用了以下三类关键技术方法：第一，单细胞转录组测序（scRNA-seq）技术，用于解析肿瘤浸润免疫细胞的异质性亚群构成；第二，空间转录组学技术，用于保留组织原位信息的基因表达图谱绘制，从而分析细胞亚群的空间分布与邻近关系；第三，基于机器学习的随机森林（random forest）算法，用于整合多维特征构建疗效预测模型。样本队列来源于多中心前瞻性收集的肿瘤组织标本，涵盖非小细胞肺癌、黑色素瘤及膀胱癌三种癌种。

研究结果分述

1. 免疫细胞亚群的系统鉴定

通过无监督聚类分析scRNA-seq数据，研究人员在TME中鉴定出8种主要免疫细胞亚群，包括CD4⁺ T辅助细胞、CD8⁺ T细胞、Tregs、自然杀伤细胞（NK cells）、肿瘤相关巨噬细胞（tumor-associated macrophages, TAMs）、树突状细胞（dendritic cells, DCs）、B细胞及肥大细胞。其中，CD8⁺ T细胞进一步细分为初始、效应、过渡及终末耗竭四个状态，耗竭状态细胞高表达PDCD1、HAVCR2及LAG3等抑制性受体。Tregs则表现为高表达FOXP3及CTLA4的免疫抑制表型。该结果表明TME中免疫细胞功能状态高度分化，为后续关联分析奠定了基础。

2. 细胞亚群组成与疗效的关联分析

将上述细胞亚群比例与患者临床缓解状态进行相关性分析，研究发现：治疗有效组（responders）的TME中终末耗竭CD8⁺ T细胞比例显著低于无效组（non-responders），而Tregs比例则相反，在无效组中富集更明显。此外，M2型TAMs（高表达CD163和MRC1）的比例在无效组中显著升高。这一结果提示，免疫抑制性细胞群的富集与治疗抵抗密切相关，而耗竭T细胞的比例并非简单的负向指标，其具体亚型状态更具区分价值。

3. 空间互作网络揭示关键配受体对

利用空间转录组数据，研究人员分析了不同细胞亚群在组织中的空间共定位模式。通过CellChat算法推断细胞间配体-受体互作，发现巨噬细胞表达的LGALS9（半乳糖凝集素9）与T细胞表面的HAVCR2（T细胞免疫球蛋白和黏蛋白结构域蛋白-3，即Tim-3）之间的信号通路在无效组中显著增强。该互作被证实可诱导CD8⁺ T细胞向耗竭状态转化，并促进Tregs的抑制功能。这一空间互作机制为解释免疫抑制微环境的形成提供了直接证据。

4. 预测模型构建与验证

基于上述差异显著的细胞亚群比例及关键配受体对表达强度，研究人员采用随机森林算法构建了包含12个特征变量的预测模型。在训练队列中，模型预测客观缓解率（objective response rate, ORR）的AUC为0.92；在独立验证队列中，AUC仍达0.89，灵敏度为85%，特异度为82%。该模型性能显著优于基于单一标志物（如PD-L1表达或肿瘤突变负荷）的传统预测方法，表明多维度细胞组成信息的整合能更全面反映TME的免疫状态。

讨论与结论

讨论部分指出，本研究发现TME中免疫抑制性细胞（Tregs、M2型TAMs）的富集及特定空间互作（LGALS9-HAVCR2）是免疫治疗耐药的重要微环境特征。研究局限性包括样本量相对有限、不同癌种间的异质性可能影响模型泛化性，以及回顾性分析带来的潜在偏倚。未来需在前瞻性多中心队列中进一步验证，并探索针对LGALS9-HAVCR2轴的联合治疗策略。

研究结论部分翻译如下：本研究通过单细胞与空间多组学整合分析，明确了肿瘤微环境中免疫细胞亚群组成及空间互作模式与免疫治疗疗效的密切关联。所构建的预测模型能够有效区分获益人群，所揭示的LGALS9-HAVCR2互作轴为克服免疫耐药提供了新的干预靶点。该研究为精准免疫治疗的实施提供了重要的理论基础和临床转化工具。