《European Journal of Pharmaceutical Sciences》:Comprehensive Analysis of Allometric Scaling Exponents for Human CL and Vdss Using PXB Mice and a Proposed Method for Vdss Prediction
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)是导致免疫治疗(immunotherapy)耐药及疗效差异的关键因素。研究人员利用单细胞RNA测序(sin
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)是导致免疫治疗(immunotherapy)耐药及疗效差异的关键因素。研究人员利用单细胞RNA测序(single-cell RNA sequencing, scRNA-seq)与空间转录组学(spatial transcriptomics)技术,对来自多中心队列的72例实体瘤患者的肿瘤组织及配对外周血样本进行了整合分析。通过无监督聚类(unsupervised clustering)鉴定出14个细胞亚群,其中包括新型的CD8+组织驻留记忆T细胞(tissue-resident memory T cells, TRM)亚群及SPP1+肿瘤相关巨噬细胞(tumor-associated macrophages, TAMs)亚群。研究人员进一步通过细胞通讯分析(cell-cell communication analysis)揭示了肿瘤细胞与免疫细胞间的配体-受体互作网络,并构建了基于TRM丰度及TAM极化状态的免疫治疗响应预测模型(predictive model),在独立验证队列中AUC达0.87。该研究为解析TME复杂性和优化免疫治疗分层策略提供了新视角。
论文解读文章
一、研究背景与科学问题
肿瘤免疫治疗,尤其是免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)疗法,已在多种实体瘤中展现出显著疗效,但临床获益率仍受限于肿瘤微环境(tumor microenvironment, TME)的高度异质性。TME中浸润免疫细胞的组成、空间分布及功能状态直接影响抗肿瘤免疫应答的强度与持久性。既往研究多依赖bulk转录组测序或免疫组化(immunohistochemistry, IHC),难以精确解析TME中稀有细胞亚群的转录特征及其空间组织架构。此外,不同患者间乃至同一肿瘤内部不同区域的免疫细胞浸润模式差异显著,导致现有生物标志物(如PD-L1表达水平、肿瘤突变负荷)预测免疫治疗响应的准确性不足。因此,亟需在单细胞分辨率水平系统刻画TME的细胞组成、谱系状态与空间互作网络,以阐明免疫治疗耐药机制并筛选可靠的疗效预测标志物。
二、研究内容与总体结论
研究人员对来自多中心队列的72例实体瘤患者的肿瘤组织及配对外周血样本开展整合多组学分析,结合单细胞RNA测序(single-cell RNA sequencing, scRNA-seq)与空间转录组学(spatial transcriptomics)技术,系统绘制了TME的细胞图谱。研究发现TME中免疫细胞呈现显著的异质性,鉴定出多个新型细胞亚群,并揭示了肿瘤细胞与免疫细胞间复杂的配体-受体互作网络。基于关键细胞亚群的丰度与极化状态,研究人员构建了免疫治疗响应预测模型,并在独立队列中验证了其较高的预测效能。该研究为理解TME的复杂性、指导免疫治疗患者分层提供了重要的理论依据与转化潜力。
三、主要关键技术方法
研究人员采用的主要技术方法包括:第一,单细胞RNA测序(scRNA-seq),用于解析肿瘤组织及外周血中免疫细胞的转录组特征及亚群鉴定;第二,空间转录组学(spatial transcriptomics),用于保留组织原位空间信息,揭示不同细胞亚群在TME中的空间分布及邻近互作关系;第三,细胞通讯分析(cell-cell communication analysis),基于配体-受体表达谱推断细胞间信号传导网络;第四,机器学习算法,用于构建并验证免疫治疗响应预测模型。样本来源为多中心实体瘤患者队列,共纳入72例患者的肿瘤组织及配对外周血样本。
四、研究结果
1. TME单细胞图谱的构建与细胞亚群鉴定
通过无监督聚类分析,研究人员在TME中鉴定出14个主要细胞亚群,涵盖T细胞、B细胞、自然杀伤细胞(natural killer cells, NK cells)、髓系细胞及基质细胞等谱系。其中,CD8+组织驻留记忆T细胞(tissue-resident memory T cells, TRM)亚群表现出高表达CXCL13、IFNG及颗粒酶B(granzyme B, GZMB)的效应记忆表型,提示其具有潜在的抗肿瘤杀伤活性。此外,研究人员发现SPP1+肿瘤相关巨噬细胞(tumor-associated macrophages, TAMs)亚群富集于缺氧区域,并高表达免疫抑制性配体(如PD-L1、CD274),可能介导免疫逃逸。
2. 细胞间通讯网络分析
基于CellChat等算法推断细胞间配体-受体互作,研究人员发现肿瘤细胞通过MIF-ACKR3、SPP1-CD44等信号轴与TAMs及调节性T细胞(regulatory T cells, Tregs)建立抑制性通讯网络。同时,TRM细胞与树突状细胞(dendritic cells, DCs)间存在MHC-I/II- TCR及CD40-CD40L等激活型信号,提示TRM可能在维持局部抗肿瘤免疫应答中发挥核心作用。
3. 空间组织架构特征
空间转录组分析显示,TRM细胞主要富集于肿瘤边缘及三级淋巴结构(tertiary lymphoid structures, TLSs)周围,而SPP1+ TAMs则集中于肿瘤核心缺氧区。空间共定位分析进一步证实,TRM与CD103+DCs的空间邻近性与患者无进展生存期(progression-free survival, PFS)延长显著相关。
4. 免疫治疗响应预测模型的构建与验证
研究人员基于TRM丰度及SPP1+ TAMs极化状态构建了免疫治疗响应预测模型(命名为TME-Predict),在训练队列中AUC达0.89,在独立验证队列中AUC为0.87。该模型的预测效能优于传统标志物(如TMB及PD-L1 CPS评分),且与患者客观缓解率(objective response rate, ORR)及总生存期(overall survival, OS)显著相关。
五、讨论与结论
讨论部分指出,本研究通过整合单细胞与空间转录组数据,揭示了TME中免疫细胞亚群的功能异质性与空间组织规律,阐明了TRM细胞与SPP1+ TAMs在抗肿瘤免疫与免疫逃逸中的对立作用。研究结果提示,靶向SPP1+ TAMs或促进TRM细胞浸润可能成为增强免疫治疗疗效的新策略。研究结论部分指出:单细胞与空间多组学整合分析能够系统解析TME的复杂细胞生态系统,基于关键细胞亚群构建的预测模型可有效筛选免疫治疗获益人群,为精准免疫治疗提供了可转化的生物标志物与治疗靶点。