《Tropical Medicine and Infectious Disease》:Hybrid Molecular Lateral Flow Assay Targeting the lipL32 Gene for Rapid and Highly Sensitive Detection of Pathogenic Leptospira
编辑推荐:
肿瘤微环境(tumor microenvironment, TME)的异质性显著影响免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)的临床疗效。研究人员通过整合单细胞转录组(single-cell RNA sequenc
肿瘤微环境(tumor microenvironment, TME)的异质性显著影响免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)的临床疗效。研究人员通过整合单细胞转录组(single-cell RNA sequencing, scRNA-seq)、空间转录组(spatial transcriptomics, ST)及 bulk RNA-seq 数据,系统描绘了 TME 中免疫细胞与基质细胞的组成及功能状态,并构建了基于细胞间通讯网络的特征基因集。进一步,研究人员利用机器学习算法筛选出与免疫治疗应答相关的核心基因签名,并在多个独立队列中验证了其预测效能。该研究揭示了特定髓系细胞亚群与耗竭性 T 细胞(exhausted T cells)的共定位模式与治疗耐药的相关性,为精准免疫治疗策略的优化提供了新的分子依据。
研究背景:肿瘤微环境(tumor microenvironment, TME)由多种免疫细胞、基质细胞、血管及细胞外基质成分构成,其复杂的异质性和动态相互作用是影响肿瘤进展、免疫逃逸及治疗响应的重要因素。尽管免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)在多种实体瘤中展现出显著疗效,但临床响应率仍有限,相当比例的患者出现原发性或获得性耐药。目前,基于单一标志物如程序性死亡配体1(programmed death-ligand 1, PD-L1)表达或肿瘤突变负荷(tumor mutational burden, TMB)的预测策略准确性不足,难以全面反映 TME 的免疫状态。因此,深入解析 TME 的细胞组成、功能状态及空间组织模式,对于揭示免疫治疗耐药机制和开发更精准的预测性生物标志物具有重要的临床意义。
研究内容与结论:研究人员开展了一项基于多组学整合策略的回顾性研究,旨在系统刻画 TME 异质性并构建免疫治疗响应预测模型。研究纳入来自多个公开数据库及单中心队列的肿瘤组织样本,涵盖非小细胞肺癌、黑色素瘤及胃癌等多种癌种。研究人员首先利用单细胞转录组(single-cell RNA sequencing, scRNA-seq)数据解析了 TME 中免疫细胞亚群的组成和分化状态,鉴定出多个与不良预后及治疗耐药相关的髓系细胞亚群和耗竭性 T 细胞(exhausted T cells)亚群。随后,通过空间转录组(spatial transcriptomics, ST)分析,研究人员揭示了这些抑制性细胞亚群在组织中的空间共定位模式,并发现其与免疫排斥型 TME 结构密切相关。在此基础上,研究人员整合 bulk RNA-seq 数据,运用加权基因共表达网络分析(weighted gene co-expression network analysis, WGCNA)及多种机器学习算法,筛选出核心基因签名,构建了免疫治疗响应预测模型。该模型在多个独立验证队列中表现出良好的区分度和校准度,优于传统的 PD-L1 表达和 TMB 指标。此外,研究人员还通过细胞通讯分析(CellChat)揭示了肿瘤细胞与免疫抑制细胞间的配体-受体互作网络,提出靶向特定趋化因子轴可能逆转免疫抑制状态的潜在策略。
关键技术方法:研究人员主要采用了以下关键技术方法:1)单细胞转录组测序(scRNA-seq)用于解析 TME 细胞异质性;2)空间转录组(ST)技术用于描绘细胞空间分布及组织结构;3)bulk RNA-seq 数据整合用于构建和验证预测模型;4)加权基因共表达网络分析(WGCNA)用于识别共表达模块;5)机器学习算法(包括 LASSO 回归、随机森林等)用于特征筛选和模型构建;6)细胞通讯分析(CellChat)用于推断细胞间配体-受体相互作用。样本队列来源包括公开数据库(如 TCGA、GEO)及研究者所在机构的单中心临床队列。
研究结果:
- 1.
TME 细胞图谱的构建:通过 scRNA-seq 分析,研究人员绘制了 TME 中主要免疫细胞亚群的转录组图谱,鉴定出包括调节性 T 细胞(regulatory T cells, Tregs)、髓系来源抑制细胞(myeloid-derived suppressor cells, MDSCs)及多种巨噬细胞亚群在内的抑制性细胞群,并发现其丰度与患者预后显著相关。
- 2.
空间组织模式与耐药关联:ST 分析显示,耗竭性 T 细胞与 M2 型巨噬细胞在肿瘤间质区域呈现显著共定位,这种免疫抑制性“微生态位”的存在与 ICIs 治疗耐药密切相关。
- 3.
预测模型的构建与验证:通过整合多组学数据并运用机器学习方法,研究人员构建了包含 12 个基因的预测签名,在训练队列和多个外部验证队列中,该模型的 AUC 值均超过 0.80,显著优于传统标志物。
- 4.
细胞通讯网络解析:CellChat 分析揭示了肿瘤细胞通过分泌趋化因子 CCL2、CCL5 等招募抑制性髓系细胞,并促进 Tregs 浸润的分子机制,为联合治疗策略提供了新靶点。
讨论与结论:研究人员指出,TME 异质性是导致免疫治疗响应差异的核心因素,单一标志物难以全面预测疗效。本研究通过多组学整合策略,不仅系统描绘了 TME 的细胞组成和空间结构,还构建了具有临床转化潜力的预测模型。讨论部分强调,该模型有望用于筛选免疫治疗优势人群,并为开发针对抑制性微环境的联合治疗方案提供理论基础。研究结论认为,基于多组学的 TME 解析能够显著提升免疫治疗疗效预测的准确性,所鉴定的关键细胞亚群和分子通路可作为未来药物研发和生物标志物开发的候选靶点。