编辑推荐:
本研究针对人类组织活检仅能提供单一时间点空间信息的瓶颈,开发了“一次性组织动力学重建(OSDR)”方法。该方法利用空间蛋白质组学数据,通过分析细胞分裂标记物Ki67与邻近细胞组成的关系,构建了细胞群体的动力学模型。研究团队将该方法应用于大规模乳腺癌队列数据,成功重建了成纤维细胞-巨噬细胞相互作用的双稳态回路(对应“热”与“冷”纤维化状态),并揭示了肿瘤微环境中T细胞与B细胞脉冲式兴奋性免疫反应的存在。更重要的是,基于治疗早期的活检样本,OSDR模型能够有效预测患者对化疗及免疫联合疗法的反应。这项研究为基于临床活检样本分析组织动态过程开辟了新途径,具有重要的转化医学潜力。
理解生命过程和疾病演进,如炎症和癌症,关键在于掌握细胞群体在组织环境中随时间变化的动态交互。然而,人类组织研究面临一个根本性挑战:活检只能提供一个静态的、单一时间点的“快照”,无法直接观察同一群细胞在数天甚至数周内的动态演变。虽然动物模型、体外共培养、活体显微成像等技术可追踪动态,但它们难以完全复现人体内环境的复杂性,也无法适用于常规临床活检样本。与此同时,单细胞和空间组学技术的发展让我们能以前所未有的分辨率“看见”组织的精细构成,但大多数分析方法仍停留在描述静态的细胞通讯,或仅能推断转录等数小时尺度内的细胞内部动态。如何从一次活检的静态图像中,推演出组织层面细胞群体长时程的动态变化,成为领域内亟待突破的难题。
近日,一项发表于《自然》(Nature)杂志的研究带来了创新解决方案。该研究团队开发了一种名为“一次性组织动力学重建”(One-shot tissue dynamics reconstruction, OSDR)的计算方法。OSDR的核心思想是,利用空间蛋白质组学技术对单次活检样本进行成像,通过分析细胞分裂标记物(如Ki67)的表达水平与每个细胞周围微环境(即“邻近区域”)细胞组成之间的关系,来反推细胞分裂的概率如何受其“邻居”影响。基于此,可以构建一个描述细胞群体数量如何随时间变化的动力学模型。这就像是通过一张静态的集体合照,分析每个人的表情和周围人的关系,来推断出这个群体未来的互动和演变趋势。
研究团队在方法开发中运用了几个关键技术:首先是利用成像质谱流式技术对大规模人类乳腺癌活检样本(包括来自多个队列的数千个样本、数百万个细胞)进行空间蛋白质组学分析,获取单细胞水平的空间坐标、细胞类型和Ki67表达信息。其次,建立了基于逻辑回归的统计模型,将每个细胞的Ki67状态(是否分裂)与其邻近区域内各类型细胞的数量进行关联,从而学习分裂概率如何受微环境影响。最后,通过基于随机过程的组织模拟和动力学系统相位肖像分析,分别从特定组织样本的演化轨迹和一般性的细胞互作规则两个层面,呈现和解析推断出的组织动力学。
OSDR 推断成纤维细胞-巨噬细胞动力学
研究人员首先将OSDR应用于一个包含715例乳腺癌患者样本的大型成像质谱流式数据集。他们发现,细胞的Ki67状态(指示分裂)能很好地被其邻近细胞的组成所预测。随后,他们聚焦于肿瘤微环境中两个关键的基质细胞——癌症相关成纤维细胞和巨噬细胞。OSDR成功重建了这两种细胞相互作用的动力学相位肖像。令人瞩目的是,这个从成千上万个静态人源组织切片中推断出的肖像,与之前一项直接在体外共培养实验中测量成纤维细胞和巨噬细胞动态变化所获得的相位肖像高度吻合。两者都显示出“热纤维化”(成纤维细胞与巨噬细胞共存)和“冷纤维化”(仅有成纤维细胞)两个稳定的吸引子状态(稳态),以及一个巨噬细胞单独存在的高密度半稳定状态。进一步的生存分析表明,处于“热纤维化”状态的患者预后更差。此外,当在模型中纳入肿瘤细胞时,OSDR显示,肿瘤细胞密度的增加会将系统推向“热”纤维化状态。
T细胞和B细胞的兴奋性动力学
接下来,研究者分析了适应性免疫细胞——T细胞和B细胞。OSDR推断出的相位肖像揭示了一个“兴奋性”动力系统。该系统在零细胞附近存在一个稳定的静息态。但是,如果局部T细胞密度超过某个阈值,就会触发一个强烈的脉冲反应:T细胞数量率先激增,随后B细胞数量上升,继而两者均受到抑制并回落至零。随后的空间模拟显示,每次脉冲之后会伴随一段“不应期”,在此期间由于B细胞的抑制作用,新的脉冲无法被触发。这意味着肿瘤微环境中的抗癌免疫反应可能并非持续稳定,而是以间歇性“爆发”的脉冲形式存在,类似于某些自身免疫性疾病中观察到的“复发-缓解”模式。当区分CD4+T细胞、CD8+T细胞和B细胞进行三维建模时,分析表明CD4+T细胞是触发免疫脉冲的“扳机”,而B细胞则提供了终止脉冲的负反馈。
OSDR 预测治疗反应
最后,研究在一个前瞻性临床试验队列中验证了OSDR的预测能力。该队列包含了279例三阴性乳腺癌患者,分别接受化疗或化疗联合抗PD-L1免疫治疗,并在治疗前、治疗早期(第3周)和治疗后进行了三次活检。研究人员分别使用治疗早期应答者和无应答者的活检数据拟合OSDR模型。关键在于,为了剥离初始组织状态的差异,他们将两个模型(分别基于应答者和无应答者数据训练)都应用于所有患者的早期活检初始状态进行模拟预测。结果显示,在两种治疗方案下,基于应答者数据建立的OSDR模型均预测肿瘤细胞群体会发生崩溃,而基于无应答者数据建立的模型则预测肿瘤保持稳定。这种差异并非源于初始肿瘤细胞增殖率的差异(实际上,在免疫治疗组的早期活检中,应答者肿瘤细胞的平均Ki67阳性率反而更高),而是源于细胞间相互作用随时间演变所导致的动态结果。进一步分析发现,在免疫治疗组,尽管应答者和无应答者的T细胞数量都有所增加,但在T细胞高密度的区域,应答者肿瘤细胞的分裂比例显著低于无应答者,揭示了局部微环境中免疫细胞对肿瘤细胞的有效抑制。
在讨论与结论部分,作者强调了OSDR方法的重要意义。它首次实现了仅凭一次临床活检的空间组学“快照”,就能推断组织内细胞群体的长时程动力学,为在人体原位研究组织生物学过程提供了全新工具。本研究不仅验证了OSDR能够复现已知的细胞互作动力学(如成纤维细胞-巨噬细胞回路),还揭示了此前未被充分认识的动态现象,如肿瘤微环境中适应性免疫反应的脉冲式特征。更重要的是,OSDR在预测患者对标准化疗及免疫治疗反应方面展现出潜力,有望为临床早期评估疗效、调整治疗方案提供新思路。当然,该方法也存在一定局限性,例如目前对细胞死亡率的处理较为简化,模型假设动力学在观测期间相对稳定,且需要足够大的组织样本以覆盖多样的微环境状态。未来,结合更精准的细胞死亡标记物、整合空间转录组学数据以细化细胞亚型、以及在动物模型中进行直接的活体验证,将进一步完善和拓展OSDR的应用。总之,这项研究为将动态系统分析引入肿瘤微环境和组织生物学研究开辟了道路,使得基于患者活检样本“推理”组织演变并指导精准治疗成为可能。