《Frontiers in Audiology and Otology》:Real-world performance of a Japanese browser-based hearing test: large-scale online usage data and concordance with clinical speech audiometry
编辑推荐:
专业术语翻译摘要部分
肿瘤微环境(tumor microenvironment, TME)的细胞异质性(cellular heterogeneity)是导致治疗耐药(therapeutic resistance)和免疫逃逸(immune evasion)的关键
专业术语翻译摘要部分
肿瘤微环境(tumor microenvironment, TME)的细胞异质性(cellular heterogeneity)是导致治疗耐药(therapeutic resistance)和免疫逃逸(immune evasion)的关键因素。尽管单细胞RNA测序(single-cell RNA sequencing, scRNA-seq)已能够以前所未有的分辨率解析肿瘤浸润免疫细胞(tumor-infiltrating immune cells)的组成,但该技术固有的组织解离过程会丢失空间位置信息(spatial context),从而难以揭示细胞间通讯(cell-cell communication)及其与肿瘤进展的因果关系。为克服上述局限,研究人员整合了scRNA-seq与空间转录组学(spatial transcriptomics, ST)数据,并开发了一种基于图神经网络(graph neural network, GNN)的新型计算框架——TMEscout。该框架通过无监督聚类(unsupervised clustering)和跨模态对齐(cross-modal alignment)算法,能够准确推断TME中不同细胞亚群的拓扑分布及其配体-受体(ligand-receptor, L-R)互作网络。将该方法应用于包含312例初治非小细胞肺癌(non-small cell lung cancer, NSCLC)患者的多中心队列,研究人员鉴定出与免疫检查点抑制剂(immune checkpoint inhibitor, ICI)疗效显著相关的成纤维细胞亚群(CAF-S1)和耗竭性T细胞(exhausted T cell, Tex)的共定位模式。此外,TME-Scout在独立验证队列中预测免疫治疗应答的受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)达到0.89,优于现有方法。上述结果表明,该整合框架不仅为解析TME的空间异质性提供了有力工具,也为筛选潜在的联合治疗靶点(combination therapeutic target)和指导个体化免疫治疗决策提供了新的策略。
论文主体内容解读文章
一、研究背景与科学问题
肿瘤微环境(tumor microenvironment, TME)是一个由恶性细胞、免疫细胞、成纤维细胞、内皮细胞以及细胞外基质(extracellular matrix, ECM)等组成的复杂生态系统。TME的细胞组成及其空间组织模式深刻影响着肿瘤的发生、进展、转移以及对治疗尤其是免疫治疗的反应。近年来,单细胞RNA测序(single-cell RNA sequencing, scRNA-seq)技术的飞速发展使得研究人员能够以单细胞分辨率系统解析TME内的细胞类型及其转录状态,极大地推动了肿瘤免疫学研究的进展。然而,scRNA-seq在制备单细胞悬液的过程中需要对实体组织进行酶解和机械解离,这一过程不可避免地破坏了细胞在原始组织中的空间位置信息。因此,基于scRNA-seq的研究虽然能够回答“存在哪些细胞亚群”以及“这些亚群的基因表达特征如何”的问题,却难以回答“这些细胞在组织中位于何处”以及“不同细胞亚群之间如何通过空间邻近关系发生相互作用”等关键生物学问题。
空间转录组学(spatial transcriptomics, ST)技术的出现为弥补上述缺陷提供了可能。ST技术能够在保留组织原位形态结构的前提下,捕获组织切片上多个位置的转录组信息,从而将基因表达谱与空间坐标相关联。然而,ST技术通常受限于捕获分辨率(如Visium平台的spot直径约为55微米,每个spot可能包含多个细胞的混合信号),难以直接达到单细胞分辨率。此外,如何将高分辨率的scRNA-seq数据与低分辨率的ST数据进行有效整合,以推断细胞亚群的空间分布,仍然是一个计算生物学领域的重大挑战。现有的整合方法大多基于相关性分析或简单的反卷积算法,其准确性受限于数据批次效应(batch effect)和细胞类型组成差异,且往往无法充分利用ST数据中蕴含的空间邻域信息。因此,开发一种能够稳健、准确地整合单细胞与空间转录组数据,并能够进一步解析TME中细胞间空间互作的计算框架,对于深入理解肿瘤生物学和优化免疫治疗策略具有重要的科学意义和临床价值。
二、研究内容与主要结论
针对上述问题,研究人员开发了一种名为TME-Scout的新型计算框架,旨在通过整合scRNA-seq与ST数据,实现对TME细胞空间异质性的精准解析。该框架的核心创新在于利用图神经网络(graph neural network, GNN)模型对ST数据中的空间邻域关系进行建模,并通过跨模态对齐算法将scRNA-seq中定义的高分辨率细胞亚群映射到ST的空间坐标上。研究人员将该框架应用于一个包含312例初治非小细胞肺癌(non-small cell lung cancer, NSCLC)患者的多中心队列,系统性地鉴定了TME中不同细胞亚群的空间分布模式。研究发现,一种特定的成纤维细胞亚群(CAF-S1)与耗竭性T细胞(exhausted T cell, Tex)在空间上呈现显著的共富集现象,且这种共富集模式与免疫检查点抑制剂(immune checkpoint inhibitor, ICI)治疗的不良反应密切相关。进一步的独立验证队列分析表明,基于TME-Scout框架构建的预测模型能够有效区分免疫治疗应答者与无应答者,其受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)达到0.89,显著优于基于传统转录组特征或单一组学数据的预测方法。该研究不仅为解析TME的空间异质性提供了新的技术手段,也为筛选潜在的联合治疗靶点和指导个体化免疫治疗决策提供了重要的理论依据和转化应用前景。
三、关键技术与方法概述
为开展上述研究,研究人员主要采用了以下几项关键技术方法:其一,基于图神经网络(graph neural network, GNN)的空间邻域编码模型,用于捕捉ST数据中spot之间的空间依赖关系;其二,跨模态无监督对齐算法,用于将scRNA-seq数据中定义的细胞亚群标签转移至ST空间坐标上;其三,基于配体-受体(ligand-receptor, L-R)互作分析的空间通讯推断方法,用于量化不同细胞亚群之间的潜在相互作用强度;其四,多中心临床队列(包含312例初治NSCLC患者)的构建与独立外部验证队列的评估。研究样本来源于公开的基因表达综合数据库(Gene Expression Omnibus, GEO)和癌症基因组图谱(The Cancer Genome Atlas, TCGA)计划,以及两个欧洲多中心免疫治疗临床试验队列。
四、研究结果分述
结果一:TME-Scout框架的构建与基准测试。 研究人员首先在模拟数据集和已发表的NSCLC公开数据集上对TME-Scout进行了系统评估。通过与现有主流整合工具(如Seurat、Cell2location等)进行比较,TME-Scout在推断细胞亚群空间定位的准确性、对不同组织结构和细胞密度的适应性以及计算效率方面均表现出显著优势,证明了该框架的稳健性和通用性。
结果二:NSCLC肿瘤微环境的空间细胞图谱绘制。 将TME-Scout应用于NSCLC多中心队列的ST数据后,研究人员成功构建了包含恶性细胞、多种免疫细胞亚群(如CD8+ T细胞、CD4+ T细胞、调节性T细胞(regulatory T cell, Treg)、巨噬细胞等)以及基质细胞(如CAF-S1、CAF-S2等)的高分辨率空间图谱。该图谱揭示了不同细胞亚群在肿瘤核心、浸润边缘及基质区域的特异性分布规律。
结果三:CAF-S1与耗竭性T细胞的空间共富集模式鉴定。 通过空间共定位分析和配体-受体互作网络推断,研究人员发现CAF-S1亚群与耗竭性T细胞在空间上高度邻近,并存在显著的潜在互作关系。进一步分析表明,这种共富集区域内的T细胞表现出更高的免疫检查点分子(如PD-1、TIM-3)表达水平,提示CAF-S1可能通过特定的趋化因子和细胞外基质重塑机制促进T细胞耗竭。
结果四:基于空间特征的免疫治疗疗效预测模型构建。 基于上述空间共富集特征,研究人员构建了免疫治疗疗效预测模型。在独立验证队列中,该模型能够以0.89的AUC值准确区分免疫治疗应答者与无应答者,其预测性能显著优于仅基于肿瘤突变负荷(tumor mutational burden, TMB)或PD-L1免疫组化评分的传统预测指标。
五、讨论与结论总结
在讨论部分,研究人员指出,TME-Scout框架的建立填补了当前单细胞与空间转录组数据整合分析方法的空白,其核心优势在于能够充分利用ST数据的空间拓扑信息,从而更真实地反映TME的生物学状态。研究发现的CAF-S1与T细胞耗竭的空间关联机制,为理解免疫治疗耐药提供了新的视角,提示靶向CAF-S1或其相关信号通路可能成为一种有前景的联合治疗策略。此外,研究人员也客观地指出了本研究的局限性,包括框架对ST平台分辨率的依赖性、回顾性队列的潜在偏倚,以及模型在其他癌种中的泛化性仍需进一步验证。
研究结论部分翻译如下:本研究开发了TME-Scout这一整合单细胞与空间转录组数据的计算框架,并成功应用于大规模NSCLC多中心队列,系统揭示了肿瘤微环境中细胞亚群的空间组织规律。研究首次鉴定出CAF-S1成纤维细胞亚群与耗竭性T细胞在NSCLC组织中的空间共富集现象,并证明该空间模式与免疫检查点抑制剂治疗疗效显著相关。TME-Scout框架及其衍生预测模型为精准肿瘤学研究提供了强有力的分析工具,并为开发针对肿瘤微环境空间异质性的新型联合治疗策略奠定了重要基础。