Nature Cancer：利用单细胞图谱来预测肺癌患者的预后

肿瘤并非单一的团块。它由多种不同的癌细胞组成，并嵌入由免疫细胞、结缔组织和血管组成的微环境中。这种多样性是决定肿瘤是否扩散以及治疗效果如何的重要因素。

尽管单细胞方法被认为是癌症研究的开创性工具，但到目前为止，其向临床实践的转化仍然有限，主要原因是缺乏包含完整临床病史的大型患者数据集。

近日，慕尼黑大学、柏林夏里特医学院和柏林学习与数据基础研究所的研究人员构建了一份全面的肺癌单细胞图谱。他们利用人工智能（AI）将该图谱与患者的临床结局关联起来。

借助该模型，研究人员不仅能识别出促进转移的肿瘤细胞类型，还能预测肿瘤细胞与周围微环境细胞之间的相互作用，这些互作与疾病预后密切相关。这项成果于11月12日发表在《Nature Cancer》杂志上。

非小细胞肺癌（NSCLC）仍是导致癌症相关死亡的主要原因之一，其特征在于细胞和分子层面的广泛异质性。即使在同一肿瘤内，癌细胞的侵袭性也存在显著差异。

为了捕捉这种复杂性，研究人员构建了LuCaS+，这是一份多中心单细胞RNA测序图谱，包含250万个细胞的基因活性数据，这些细胞来自454例经临床注释且接受长期随访的非小细胞肺癌患者。

共同通讯作者、慕尼黑大学的Frederick Klauschen教授表示：“为了构建LuCaS+图谱，我们的团队分析了454例肺癌患者的肿瘤组织。借助单细胞RNA测序技术，我们读取组织样本中每个细胞核内2,000多个基因的活性，并利用长期随访的临床病史。”

利用机器学习方法，研究人员从数据中发现了各种模式。他们能够识别出与临床结局相关的多个肿瘤细胞亚群，以及免疫系统、结缔组织和血管细胞群。

利用这些临床数据，他们确定了各个肿瘤细胞亚群的转移潜能。这种方法能够识别出那些尽管肿瘤处于早期阶段（通常术后无需辅助治疗）但仍具有较高转移风险的患者。这些发现已在一个独立的患者队列中得到了验证。

柏林学习与数据基础研究所的Klaus-Robert Müller教授表示：“在处理数百万个细胞时，传统的评估方法会遇到瓶颈。相比之下，我们的机器学习方法能够识别单个细胞类型之间最细微的差异。因此我们能将这些模式与相应患者的临床结局直接关联。”

之后，研究团队将肿瘤微环境纳入研究范围。通过对肿瘤细胞转移潜能及其特定微环境的整合分析，研究人员开发出一种预测模型，该模型对临床结局的预测能力显著优于传统参数。

这种模型不仅识别出复发风险高于常规评估结果的患者，还识别出预后比先前预估更乐观的患者。同时，它还揭示了肿瘤与微环境之间的哪些相互作用会影响疾病的进程。

柏林夏里特医学院的Simon Schallenberg博士称：“LuCaS+可供科学家免费使用。其目标是开发出新的治疗方法和治疗策略，这些方法和策略随后可在细胞培养物和动物模型中进行测试。”

“这些研究结果证明了将单细胞转录组学与临床结局相结合的强大作用，将助力转化研究人员探究疾病机制，在临床背景下验证其研究结果，并推动非小细胞肺癌治疗的进步，”作者在文中写道。