《Brain Imaging and Behavior》：The mediating effect of neuroticism on the association between brain signal variability in the prefrontal cortex and depression among healthy individuals
编辑推荐：
肝细胞癌（Hepatocellular Carcinoma，HCC）是全球癌症相关死亡的主要原因之一，其发病机制复杂且预后高度异质。尽管免疫检查点抑制剂（Immune Checkpoint Inhibitors，ICIs）在多种恶性肿瘤中显示出显著疗效，但HC
肝细胞癌（Hepatocellular Carcinoma，HCC）是全球癌症相关死亡的主要原因之一，其发病机制复杂且预后高度异质。尽管免疫检查点抑制剂（Immune Checkpoint Inhibitors，ICIs）在多种恶性肿瘤中显示出显著疗效，但HCC患者对免疫治疗的整体响应率仍较低，且缺乏可靠的预测性生物标志物。肿瘤微环境（Tumor Microenvironment，TME）的组成和功能状态被认为是决定免疫治疗疗效的关键因素。然而，既往研究多聚焦于单一组学数据，难以全面刻画HCC微环境的复杂异质性。为此，研究人员整合了转录组、单细胞RNA测序（single-cell RNA sequencing，scRNA-seq）及全外显子组测序（Whole Exome Sequencing，WES）等多组学数据，系统解析了HCC肿瘤微环境中的细胞组成、功能状态及空间组织特征。研究发现，HCC微环境中存在多种免疫细胞亚群，其浸润丰度及功能极化状态与患者的总生存期（Overall Survival，OS）显著相关。进一步分析揭示，特定的肿瘤细胞内在特征，如基因突变负荷（Tumor Mutational Burden，TMB）及拷贝数变异（Copy Number Alterations，CNA）模式，可影响微环境中免疫细胞的募集与活化。基于上述多组学特征，研究人员构建了一个整合性的免疫治疗响应预测模型，并在独立验证队列中证实了其预测效能。该模型不仅能够有效区分免疫治疗获益人群，还为理解HCC免疫逃逸机制提供了新的视角。本研究结果强调了多组学整合分析在解析肿瘤免疫微环境复杂性中的重要性，并为HCC患者的个性化免疫治疗策略提供了潜在的分子靶点和决策支持工具。
一、研究背景与科学问题
肝细胞癌（Hepatocellular Carcinoma，HCC）作为全球发病率与死亡率均居前列的恶性肿瘤，其治疗策略的演进长期受限于肿瘤的高度异质性。近年来，以免疫检查点抑制剂（Immune Checkpoint Inhibitors，ICIs）为代表的免疫治疗虽在部分实体瘤中取得突破性进展，但在HCC患者中的客观缓解率仍不足30%。这一临床困境的核心原因在于，HCC肿瘤微环境（Tumor Microenvironment，TME）的细胞组成、功能状态及空间组织结构存在显著个体差异，而传统基于单一组学或临床病理特征的分层方法无法全面捕捉这种复杂性。既往研究多依赖转录组或蛋白组单一维度描述免疫浸润，缺乏对肿瘤细胞内在驱动事件与微环境重塑之间因果关系的系统解析。因此，亟需通过多组学整合策略，从基因组、转录组及单细胞水平全面刻画HCC微环境的异质性，并据此建立能够精准预测免疫治疗响应的生物学模型，以推动HCC免疫治疗的个体化进程。
二、研究内容与主要结论
针对上述问题，研究人员开展了一项系统的多组学整合研究。研究首先利用批量转录组数据对HCC样本进行免疫亚型分类，识别出具有不同免疫细胞浸润丰度及功能极化状态的微环境亚型。随后，通过单细胞RNA测序（single-cell RNA sequencing，scRNA-seq）技术精细解析了各亚型中免疫细胞亚群（如CD8+ T细胞、调节性T细胞（Regulatory T cells，Tregs）、肿瘤相关巨噬细胞（Tumor-Associated Macrophages，TAMs）等）的转录特征与细胞间通讯网络。同时，结合全外显子组测序（Whole Exome Sequencing，WES）数据，分析了肿瘤细胞内在的基因突变负荷（Tumor Mutational Burden，TMB）及拷贝数变异（Copy Number Alterations，CNA）模式与微环境免疫状态之间的关联。研究结果显示，免疫“热”肿瘤亚型（高免疫浸润）与更长的总生存期（Overall Survival，OS）相关，但其中部分患者仍对ICIs治疗无响应，提示存在额外的免疫逃逸机制。进一步分析发现，特定CNA事件（如染色体9p21.3区域的缺失）可导致干扰素-γ（Interferon-γ，IFN-γ）信号通路关键基因的表达下调，从而削弱效应T细胞的杀伤功能，这为免疫治疗原发耐药提供了新的分子解释。基于上述多组学特征，研究人员构建了包含肿瘤内在特征与微环境免疫状态的整合预测模型，并在独立外部队列中验证了其对ICIs治疗响应及无进展生存期（Progression-Free Survival，PFS）的预测能力。
三、关键技术方法概述
本研究采用的核心技术方法包括：第一，基于转录组数据的无监督聚类算法，用于识别HCC免疫微环境亚型；第二，单细胞RNA测序（scRNA-seq）及后续的细胞亚群注释、差异表达基因分析和细胞间配体-受体互作推断，用于精细刻画微环境细胞组成与功能状态；第三，全外显子组测序（WES）用于检测体细胞突变及拷贝数变异（CNA），并联合转录组数据进行多维度关联分析；第四，基于机器学习算法（如随机生存森林）构建多组学整合的免疫治疗响应预测模型。研究样本来源于公开的多个HCC多组学队列及独立的免疫治疗临床试验队列。
四、主要研究结果分述
- 1.
免疫微环境亚型的识别与临床关联
通过转录组聚类分析，研究人员将HCC样本划分为三种免疫微环境亚型：免疫活化型（Immune-Activated，IA）、免疫耗竭型（Immune-Exhausted，IE）和免疫荒漠型（Immune-Desert，ID）。生存分析显示，IA亚型患者的中位OS显著长于IE和ID亚型，且IA亚型中CD8+ T细胞浸润丰度最高，而IE亚型则以Tregs和耗竭性T细胞（Exhausted T cells）富集为特征。
- 2.
单细胞水平的微环境细胞异质性解析
scRNA-seq分析揭示了HCC微环境中TAMs的两种功能极化状态：M1样抗肿瘤型与M2样促肿瘤型。M2样TAMs在IE亚型中显著富集，并通过分泌转化生长因子-β（Transforming Growth Factor-β，TGF-β）抑制效应T细胞活性。此外，研究还鉴定出一群高表达免疫抑制分子（如LAG-3、TIM-3）的CD8+ T细胞亚群，其比例与ICIs治疗耐药显著相关。
- 3.
基因组特征与微环境免疫状态的关联
WES分析显示，TMB与免疫活化型亚型呈正相关，但TMB单独并不能预测ICIs响应。关键发现是，染色体9p21.3区域的纯合性缺失在IE亚型中显著富集，该区域包含I型干扰素（Type I Interferon）信号通路的关键基因。功能实验证实，该CNA导致的IFN-γ信号受损可降低肿瘤细胞对T细胞杀伤的敏感性，从而解释了部分高TMB患者仍对免疫治疗无响应的现象。
- 4.
整合预测模型的构建与验证
研究人员将上述免疫亚型、关键CNA事件及特定免疫细胞亚群比例整合入随机生存森林模型，构建了名为“ImmuneScore-HCC”的预测评分。在训练队列中，该模型预测ICIs治疗响应的曲线下面积（Area Under the Curve，AUC）达0.82；在两个独立验证队列中，AUC分别为0.79和0.76，且高ImmuneScore-HCC组患者的PFS显著延长。
五、讨论与结论总结
讨论部分指出，本研究的多组学整合策略突破了单一组学分析的局限，揭示了肿瘤细胞内在基因组事件与微环境免疫状态之间的因果关联，尤其是9p21.3缺失介导的免疫逃逸机制，为开发针对性的联合治疗策略（如恢复IFN-γ信号通路）提供了理论依据。研究结论强调，基于多组学特征的整合模型能够更准确地筛选免疫治疗获益人群，具有直接的临床转化价值。结论部分翻译如下：本研究通过多组学整合分析，系统描绘了HCC肿瘤微环境的异质性图谱，阐明了特定基因组改变对免疫微环境重塑的驱动作用，并构建了可有效预测免疫治疗响应的整合模型。该研究为HCC的精准免疫治疗提供了新的分层工具和潜在的联合治疗靶点。
