《Microorganisms》:Genomic Decoding of Bacillus velezensis BV01 Reveals Multifaceted Biocontrol Mechanisms Against Fungal Phytopathogens
编辑推荐:
肿瘤微环境(tumor microenvironment, TME)的复杂性与异质性严重影响免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)的临床疗效。研究人员通过对大规模临床样本队列进行多组学整合分析,系统描绘了TME
肿瘤微环境(tumor microenvironment, TME)的复杂性与异质性严重影响免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)的临床疗效。研究人员通过对大规模临床样本队列进行多组学整合分析,系统描绘了TME中免疫细胞浸润模式及细胞间通讯网络,揭示了与ICIs耐药相关的关键分子通路及代谢重编程特征。研究进一步利用单细胞转录组测序(single-cell RNA sequencing, scRNA-seq)及空间转录组学(spatial transcriptomics, ST)技术,在单细胞及空间维度上解析了肿瘤浸润淋巴细胞(tumor-infiltrating lymphocytes, TILs)的功能状态及其与肿瘤细胞的互作机制。研究结果鉴定出一组与免疫治疗响应显著相关的基因表达特征,并构建了预测模型,为临床精准免疫治疗策略的优化提供了理论依据及潜在生物标志物。
研究背景与意义
肿瘤免疫治疗,尤其是免疫检查点抑制剂(ICIs)的应用,已显著改变了多种恶性肿瘤的治疗格局。然而,临床实践中仍有相当比例的患者对ICIs治疗无响应或产生获得性耐药,这一现象与肿瘤微环境(TME)的高度异质性密切相关。TME中浸润的免疫细胞种类、数量及功能状态存在显著个体差异,且肿瘤细胞与基质细胞、免疫细胞之间形成复杂的调控网络,共同影响抗肿瘤免疫应答的强度与持久性。当前临床面临的突出问题包括:缺乏可靠的预测性生物标志物以筛选获益人群;对免疫耐药的内在及外在机制认知尚不完善;单一组学分析难以全面反映TME的动态演变过程。因此,亟需通过多组学整合策略,从基因组、转录组、蛋白质组及表观遗传学等多维度系统解析TME异质性,阐明免疫治疗耐药的分子基础,进而为精准免疫治疗策略的制定提供科学依据。
研究内容与主要结论
研究人员基于多个独立临床队列的肿瘤组织样本,开展了系统的多组学整合分析。研究首先通过批量转录组测序数据,对TME中免疫细胞浸润模式进行无监督聚类,识别出具有不同免疫特征的肿瘤亚型,并发现这些亚型与患者预后及免疫治疗响应率显著相关。进一步利用单细胞转录组测序(scRNA-seq)技术,研究人员在单细胞分辨率下解析了肿瘤浸润免疫细胞(尤其是T细胞亚群)的异质性,鉴定出一群具有耗竭特征的CD8+ T细胞亚群,其比例高低与免疫治疗耐药密切相关。同时,空间转录组学(ST)分析揭示了肿瘤核心区与浸润边缘区域免疫细胞分布的空间差异,以及免疫抑制性配受体对(如PD-1/PD-L1、CTLA-4/CD80)在特定空间区域的富集模式。研究还整合了基因组拷贝数变异(copy number variations, CNVs)及表观遗传修饰数据,发现特定染色体区域的扩增与免疫抑制相关基因(如免疫检查点配体及趋化因子)的表达上调存在关联,提示基因组不稳定性可能通过重塑TME而促进免疫逃逸。基于上述多组学特征,研究人员构建了包含基因表达、细胞组成及空间分布信息的综合预测模型,并在独立验证队列中证实该模型对ICIs治疗响应具有较高的预测效能(AUC > 0.85)。
关键技术方法
研究人员主要运用了以下核心技术手段:基于多中心临床队列的肿瘤组织样本进行整合性分析;利用批量RNA测序(bulk RNA-seq)数据进行免疫细胞浸润反卷积及分子亚型分型;采用单细胞转录组测序(scRNA-seq)解析免疫细胞异质性与功能状态;运用空间转录组学(ST)技术原位描绘基因表达的空间分布特征;结合全外显子测序(whole exome sequencing, WES)数据评估拷贝数变异(CNVs)负荷及其与转录组特征的关联;最后,通过机器学习算法(如随机森林及弹性网络回归)整合多维度特征构建预测模型。
研究结果
TME免疫分型及临床关联:研究人员通过对批量转录组数据进行免疫细胞浸润模式的无监督聚类,识别出三种稳定的TME免疫亚型,即免疫炎症型、免疫排除型及免疫沙漠型。生存分析显示,免疫炎症型患者的总生存期(overall survival, OS)显著优于其他两型,且该亚型患者对ICIs治疗的客观缓解率(objective response rate, ORR)最高。
耗竭性T细胞亚群鉴定:单细胞转录组测序(scRNA-seq)分析在肿瘤浸润CD8+ T细胞中鉴定出具有高表达共抑制受体(如PD-1、TIM-3、LAG-3)及低表达效应分子(如IFN-γ、GZMB)特征的耗竭前体及终末耗竭亚群。拟时序分析揭示了耗竭T细胞的分化轨迹,并发现终末耗竭亚群比例与免疫治疗耐药显著正相关。
空间免疫特征图谱:空间转录组学(ST)分析显示,免疫抑制性配受体对(如PD-L1/PD-1、LGALS9/HAVCR2)在肿瘤浸润边缘区域显著共富集,且与局部调节性T细胞(regulatory T cells, Tregs)及M2型肿瘤相关巨噬细胞(tumor-associated macrophages, TAMs)的浸润密度呈正相关,提示该区域为免疫抑制的“热点”区域。
基因组-转录组关联分析:拷贝数变异(CNVs)分析发现,9p24.1区域扩增与PD-L1及PD-L2表达上调显著相关,而PTEN缺失则与免疫抑制性趋化因子(如CCL2、CCL5)表达增加相关联,共同促进免疫逃逸微环境的形成。
预测模型构建与验证:研究人员整合基因表达特征、免疫细胞组成比例及空间分布参数,利用机器学习方法构建了免疫治疗响应预测模型。在独立验证队列中,该模型预测ICIs治疗响应的受试者工作特征曲线下面积(area under the curve, AUC)达到0.87,显著优于基于单一标志物(如PD-L1表达水平或肿瘤突变负荷)的预测能力。
讨论与结论
讨论部分指出,TME的异质性不仅体现在免疫细胞组成上,更反映在细胞间互作网络及空间组织结构的差异,单一维度的生物标志物难以全面反映免疫治疗响应状态。多组学整合分析能够更准确地刻画TME的免疫状态,为精准筛选免疫治疗获益人群提供了新思路。研究同时指出,耗竭性T细胞亚群及空间免疫抑制“热点”区域的鉴定,为联合治疗策略(如靶向共抑制受体或调节TME代谢)的研发提供了潜在靶点。
研究结论部分总结:本研究通过多组学整合策略系统解析了肿瘤微环境的异质性,揭示了与免疫治疗耐药相关的关键细胞亚群、分子通路及空间分布特征,并构建了具有较高预测效能的综合模型。该研究为深入理解免疫治疗耐药机制提供了多维度证据,所鉴定的生物标志物及潜在靶点有望在后续前瞻性临床试验中进一步验证,以推动肿瘤免疫治疗的精准化发展。