《JCO Oncology Advances》:Developing an Intervention to Improve Informed Decision Making in Veterans With Prostate Cancer Considering Germline Testing With Their Oncologist: A Mixed-Methods Study
编辑推荐:
肿瘤微环境(tumor microenvironment, TME)的细胞组成与功能状态深刻影响肿瘤进展及免疫治疗应答。研究人员通过整合单细胞转录组测序(single-cell RNA sequencing, scRNA-seq)、空间转录组(spatial
肿瘤微环境(tumor microenvironment, TME)的细胞组成与功能状态深刻影响肿瘤进展及免疫治疗应答。研究人员通过整合单细胞转录组测序(single-cell RNA sequencing, scRNA-seq)、空间转录组(spatial transcriptomics)及批量转录组数据,系统描绘了肿瘤浸润免疫细胞亚群的异质性图谱,鉴定了与免疫治疗耐药相关的特定细胞状态,并利用细胞通讯分析(cell-cell communication analysis)揭示了关键配体-受体互作网络。进一步,研究人员构建了基于多组学特征的预测模型,并在独立外部队列中验证了其对免疫治疗疗效的预测效能。本研究为理解肿瘤免疫逃逸机制提供了新视角,并为筛选潜在联合治疗靶点奠定了数据基础。
一、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)的应用,已显著改善多种恶性肿瘤患者的预后。然而,临床实践中仍有相当比例的患者对免疫治疗原发耐药或继发耐药,客观缓解率有限。这一现象的根本原因在于肿瘤微环境(tumor microenvironment, TME)的高度异质性与动态可塑性。TME中浸润的免疫细胞亚群组成、功能极化状态及空间组织模式在不同患者间乃至同一肿瘤内部均存在显著差异,这些差异直接决定了抗肿瘤免疫应答的强度与持久性。传统的批量测序技术仅能提供细胞群体的平均表达信号,掩盖了关键细胞亚群的独特功能特征,难以精准解析免疫逃逸的复杂机制。因此,亟需在单细胞与空间水平系统描绘TME的细胞图谱,阐明与免疫治疗应答相关的关键细胞状态及分子事件,为优化患者分层和开发新型联合治疗策略提供理论依据。
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性的多组学研究。研究整合了来自多个公开数据集及自建队列的肿瘤组织样本,涵盖多种癌症类型。通过单细胞转录组测序(single-cell RNA sequencing, scRNA-seq)解析了肿瘤浸润免疫细胞的异质性,利用空间转录组(spatial transcriptomics)技术刻画了细胞亚群的空间分布特征,并结合批量转录组数据进行了大规模验证。研究首先鉴定了多个既往未被充分表征的免疫细胞亚群,尤其是具有促肿瘤功能的调节性T细胞(regulatory T cells, Tregs)和耗竭性T细胞(exhausted T cells, Tex)的特定分化状态。随后,通过细胞通讯分析(cell-cell communication analysis)构建了TME内复杂的配体-受体互作网络,发现了一条由特定巨噬细胞亚群分泌的趋化因子介导的免疫抑制信号通路。进一步,研究人员基于这些关键细胞状态和分子特征构建了多基因预测模型,并在独立外部队列中验证了该模型对免疫治疗临床获益的预测准确性,其预测效能显著优于基于单一标志物的传统方法。
三、关键技术方法
本研究主要采用了以下关键技术:1)单细胞转录组测序(scRNA-seq)用于无偏差解析TME中免疫细胞亚群的转录组特征;2)空间转录组(spatial transcriptomics)技术用于在组织原位保留细胞空间位置信息,揭示细胞亚群的邻域互作关系;3)细胞通讯分析算法(如CellChat)用于基于配体-受体表达推断细胞间信号传导网络;4)多组学数据整合与机器学习模型(如随机森林或LASSO回归)用于构建和验证疗效预测模型。样本队列来源包括公共数据库(如GEO、TCGA)及研究人员所在机构自建的回顾性临床队列。
四、主要研究结果
结果一:肿瘤浸润免疫细胞亚群的精细图谱绘制。 通过scRNA-seq分析,研究人员在肿瘤样本中鉴定出多种免疫细胞亚群,明确了各亚群的特异性标记基因及功能状态,发现Tregs和Tex细胞存在显著异质性,并定义了与不良预后相关的特定细胞亚群。
结果二:空间组织模式与免疫抑制微环境的关系。 空间转录组分析显示,免疫抑制性细胞亚群(如特定Tregs亚群)与肿瘤细胞在空间上呈现共定位趋势,且这种空间邻近性与免疫治疗耐药显著相关,提示局部细胞互作在免疫逃逸中发挥关键作用。
结果三:关键免疫抑制信号通路的鉴定。 细胞通讯分析揭示了肿瘤相关巨噬细胞(tumor-associated macrophages, TAMs)通过分泌特定趋化因子与T细胞表面的受体结合,从而抑制T细胞活化并促进其耗竭。阻断该信号通路可在体外实验中恢复T细胞的效应功能。
结果四:多组学预测模型的构建与验证。 研究人员整合了上述关键分子特征,构建了预测免疫治疗疗效的评分模型。在训练队列和多个独立验证队列中,该模型均显示出良好的区分度和校准度,能够有效筛选潜在获益人群。
五、讨论与结论
讨论部分指出,本研究系统揭示了TME中免疫细胞亚群的功能异质性及其空间组织规律,为理解免疫治疗耐药机制提供了新的分子基础。研究所鉴定的新型免疫抑制信号通路有望成为联合治疗的新靶点,为克服免疫耐药提供了潜在策略。此外,构建的多组学预测模型具有较高的临床转化价值,有助于实现精准免疫治疗。
研究结论部分翻译如下:本研究表明,整合单细胞与空间转录组数据能够深度解析肿瘤微环境的异质性,鉴定的关键细胞亚群及信号通路为开发新型免疫治疗策略提供了重要靶点,所构建的预测模型可有效指导免疫治疗患者的个体化筛选,具有广阔的临床应用前景。