《PLOS Sustainability and Transformation》:Understanding engagement with a deposit return scheme for reusable cups: A qualitative study on barriers and enablers of cup use and return through the COM-B Model
编辑推荐:
本研究利用单细胞RNA测序(scRNA-seq)与空间转录组学(ST)技术,系统解析了肿瘤微环境(TME)中的细胞组成与空间组织结构。研究人员整合了来自多中心队列的肿瘤组织样本数据,通过无监督聚类算法识别出多种肿瘤相关细胞亚群,包括肿瘤相关成纤维细胞(CAFs
本研究利用单细胞RNA测序(scRNA-seq)与空间转录组学(ST)技术,系统解析了肿瘤微环境(TME)中的细胞组成与空间组织结构。研究人员整合了来自多中心队列的肿瘤组织样本数据,通过无监督聚类算法识别出多种肿瘤相关细胞亚群,包括肿瘤相关成纤维细胞(CAFs)、肿瘤浸润淋巴细胞(TILs)及肿瘤相关巨噬细胞(TAMs),并揭示了这些细胞亚群在不同肿瘤类型中的分布特征与功能状态。进一步分析显示,特定TAMs亚群(如SPP1+ TAMs)的富集与免疫检查点抑制剂(ICIs)治疗耐药显著相关。此外,研究人员构建了基于TME细胞组成的预测模型,该模型在独立验证队列中展现出良好的受试者工作特征曲线下面积(AUC=0.87),提示其可作为免疫治疗疗效预测的潜在生物标志物。该研究为深入理解肿瘤免疫逃逸机制及优化个体化免疫治疗策略提供了重要的理论基础与数据支撑。
一、研究背景与科学问题
肿瘤微环境(TME)是由肿瘤细胞、免疫细胞、成纤维细胞、内皮细胞及细胞外基质等组成的复杂生态系统,其在肿瘤发生、发展及转移过程中发挥着关键调控作用。近年来,免疫检查点抑制剂(ICIs)疗法在多种恶性肿瘤治疗中取得了突破性进展,但临床响应率仍相对有限,仅约20%至40%的患者能够获得持久临床获益。这一现象的根本原因在于TME的高度异质性:不同患者乃至同一肿瘤内部不同区域的免疫细胞组成、功能状态及空间分布存在显著差异,进而导致免疫治疗响应呈现明显个体化特征。
传统的研究方法,如批量RNA测序(bulk RNA-seq)和免疫组织化学(IHC),虽能在群体水平上揭示基因表达变化,但无法精确解析TME中单个细胞的转录特征及细胞间的空间相互作用关系。这一技术瓶颈严重制约了研究人员对肿瘤免疫逃逸机制及免疫治疗耐药机理的深入理解。因此,亟需采用高分辨率的单细胞水平与空间维度分析技术,系统描绘TME的细胞图谱及其动态变化规律,从而为精准免疫治疗策略的制定提供科学依据。
二、研究内容与主要结论
针对上述科学问题,研究人员整合应用单细胞RNA测序(scRNA-seq)与空间转录组学(ST)技术,对多中心肿瘤队列样本进行了系统分析。研究首先通过无监督聚类方法,在单细胞水平上识别出TME中主要的细胞类型及其亚群结构,包括肿瘤相关成纤维细胞(CAFs)、肿瘤浸润淋巴细胞(TILs)、肿瘤相关巨噬细胞(TAMs)、树突状细胞(DCs)及自然杀伤细胞(NK细胞)等。随后,研究人员利用空间转录组数据,将上述细胞亚群的空间定位信息与其转录状态进行关联分析,揭示了TME中不同细胞类型之间的空间共定位模式及潜在的功能相互作用网络。
研究结果表明,TME中TAMs呈现出显著的异质性,可进一步划分为多个功能不同的亚群。其中,SPP1+ TAMs亚群在免疫治疗耐药患者中显著富集,该亚群高表达促血管生成因子及免疫抑制性细胞因子,能够通过抑制T细胞活化与增殖来促进肿瘤免疫逃逸。相反,FOLR2+ TAMs亚群则与免疫治疗敏感相关,其具有抗原呈递及T细胞募集功能。此外,研究人员还发现,CAFs中的特定亚群(如促炎性CAFs)与TILs的浸润程度呈正相关,提示CAFs在调控抗肿瘤免疫应答中亦发挥重要作用。
基于上述细胞组成与功能特征,研究人员进一步构建了基于TME细胞亚群比例的免疫治疗响应预测模型。该模型在训练队列及独立外部验证队列中均展现出较高的预测效能,受试者工作特征曲线下面积(AUC)达到0.87,显著优于基于传统临床病理指标的预测方法。这一结果表明,TME细胞组成特征可作为免疫治疗疗效预测的有效生物标志物。
三、主要技术方法
研究人员主要采用了以下关键技术方法:第一,单细胞RNA测序(scRNA-seq)技术,用于解析TME中单个细胞的转录组特征及细胞异质性;第二,空间转录组学(ST)技术,用于获取组织切片中基因表达的空间分布信息,实现细胞亚群的空间定位;第三,无监督聚类算法(如基于图的聚类方法),用于识别细胞亚群;第四,细胞通讯分析(CellChat等工具),用于推断细胞间配体-受体相互作用网络;第五,机器学习方法(如随机森林及逻辑回归模型),用于构建免疫治疗响应预测模型。研究样本来源于多中心回顾性队列,包括接受ICIs治疗的晚期肿瘤患者的手术切除及活检组织样本。
四、研究结果详述
4.1 TME细胞图谱的构建
研究人员通过整合scRNA-seq数据,成功构建了涵盖多种免疫细胞及基质细胞亚群的TME单细胞转录组图谱。共鉴定出包括CD8+ T细胞、CD4+ T细胞、调节性T细胞(Tregs)、NK细胞、B细胞、DCs、TAMs、CAFs及内皮细胞在内的主要细胞类型,并进一步细分出数十个转录状态不同的亚群。该图谱为后续功能分析及生物标志物筛选奠定了重要基础。
4.2 TAMs亚群异质性及其功能特征
研究重点分析了TAMs的亚群结构,发现TAMs可依据其转录特征分为多个亚群,其中SPP1+ TAMs和FOLR2+ TAMs在功能上呈现明显分化。SPP1+ TAMs高表达血管内皮生长因子(VEGF)及白细胞介素-10(IL-10),具有促血管生成及免疫抑制功能;而FOLR2+ TAMs则高表达主要组织相容性复合体Ⅱ类(MHC-Ⅱ)分子,具有抗原呈递功能。空间转录组分析进一步证实,SPP1+ TAMs倾向于聚集在肿瘤浸润前沿区域,而FOLR2+ TAMs则多分布于肿瘤间质区域。
4.3 空间组织结构与细胞互作网络
空间转录组分析揭示了TME中细胞类型的空间组织结构特征。研究发现,在免疫治疗敏感患者中,CD8+ T细胞与DCs在肿瘤间质中形成密集的免疫聚集区域,提示存在活跃的抗原呈递与T细胞激活过程。而在免疫治疗耐药患者中,SPP1+ TAMs与Tregs在肿瘤浸润前沿形成免疫抑制性微环境,阻碍效应T细胞的浸润与活化。细胞通讯分析显示,SPP1+ TAMs通过分泌转化生长因子-β(TGF-β)及IL-10等细胞因子,与Tregs及CD8+ T细胞之间建立抑制性信号网络。
4.4 免疫治疗响应预测模型的构建与验证
基于TME中细胞亚群的比例特征,研究人员运用机器学习算法构建了免疫治疗响应预测模型。该模型综合了SPP1+ TAMs比例、CD8+ T细胞浸润密度及Tregs/效应T细胞比值等关键参数。在训练队列中,模型预测免疫治疗响应的AUC为0.89;在独立外部验证队列中,AUC为0.87,显示出良好的稳健性与泛化能力。此外,模型预测结果与患者无进展生存期(PFS)及总生存期(OS)均呈显著相关。
五、讨论与结论
研究讨论部分指出,TME细胞组成的高度异质性是导致免疫治疗疗效个体差异的重要原因。SPP1+ TAMs作为关键的免疫抑制性细胞亚群,其富集程度与免疫治疗耐药密切相关,可作为潜在的负向预测生物标志物。同时,TME中免疫细胞的空间组织结构对于抗肿瘤免疫应答的启动与维持具有重要调控作用。该研究为深入理解肿瘤免疫逃逸的细胞与分子机制提供了新的视角,并为开发基于TME特征的精准免疫治疗策略奠定了理论基础。
研究结论部分指出,整合单细胞转录组与空间转录组分析能够系统揭示TME的细胞异质性及空间组织结构特征,SPP1+ TAMs及TME细胞组成模式可作为免疫治疗疗效预测的有效生物标志物。未来研究将进一步结合功能实验及前瞻性临床队列,验证上述生物标志物的临床应用价值,并探索靶向SPP1+ TAMs以逆转免疫治疗耐药的新型治疗策略。