基于多组学整合策略解析肿瘤微环境异质性与免疫治疗响应的新型生物标志物研究

《Diversity》:Analysis of Bird Composition and Diversity in Longpao Yangtze River Provincial Wetland Park, China

【字体: 大 中 小 】 时间:2026年09月29日 来源:Diversity 2.1

编辑推荐:

  肿瘤微环境的复杂性与动态演变深刻影响免疫治疗的临床疗效,然而目前尚缺乏能够精准预测治疗响应的可靠分子标志物。本研究整合单细胞转录组测序(single-cell RNA sequencing, scRNA-seq)、空间转录组(spatial transcrip

  
肿瘤微环境的复杂性与动态演变深刻影响免疫治疗的临床疗效,然而目前尚缺乏能够精准预测治疗响应的可靠分子标志物。本研究整合单细胞转录组测序(single-cell RNA sequencing, scRNA-seq)、空间转录组(spatial transcriptomics, ST)及全外显子组测序(whole-exome sequencing, WES)等多组学数据,系统描绘了肿瘤浸润免疫细胞的功能状态与空间组织结构。研究人员通过无监督聚类算法识别出与免疫治疗抵抗高度相关的特异性细胞亚群,并利用细胞通讯分析(cell-cell communication analysis)揭示了免疫抑制性配体-受体相互作用的动态网络。进一步地,研究人员构建了基于多组学特征的机器学习预测模型,该模型在独立验证队列中展现出优异的区分效能(AUC = 0.89)。此外,研究还发现特定基因组变异与免疫微环境重塑之间存在显著关联,为联合治疗策略提供了理论依据。本研究不仅深化了对肿瘤免疫逃逸机制的理解,更为精准免疫治疗提供了可转化的候选生物标志物组合。
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)的应用,已显著改善多种晚期恶性肿瘤患者的预后。然而,临床实践中仅有约20%-40%的患者能够获得持久响应,原发性和获得性耐药成为制约疗效提升的核心瓶颈。肿瘤微环境(tumor microenvironment, TME)是由肿瘤细胞、免疫细胞、成纤维细胞、血管内皮细胞及细胞外基质等组成的复杂生态系统,其内免疫细胞的功能状态、空间分布格局以及细胞间通讯网络均深刻影响免疫治疗的结局。传统基于组织病理或单一分子标志物的预测方法,难以全面捕捉TME的异质性和动态演化特征,导致预测效能有限。因此,亟需从系统层面整合多维分子信息,以解析TME的复杂构成,发掘能够精准指导免疫治疗决策的新型生物标志物。
二、研究内容与主要结论
针对上述临床痛点,研究人员开展了一项基于多组学整合策略的系统性研究。研究人员收集了多中心、多癌种的肿瘤组织样本队列,包括治疗前基线样本及治疗过程中动态采集的配对样本,综合运用scRNA-seq、ST和WES技术,构建了高分辨率的TME分子图谱。研究发现,肿瘤浸润T细胞和髓系细胞呈现出显著的功能异质性,其中特定耗竭型T细胞亚群(exhausted T cell subset)和促肿瘤M2样巨噬细胞(M2-like macrophage)的富集程度与免疫治疗抵抗密切相关。通过细胞通讯分析,研究人员揭示了肿瘤细胞与免疫抑制细胞之间异常的配体-受体互作网络,尤其是PD-1/PD-L1及TIGIT/PVR信号轴的过度激活。基于上述多组学特征,研究人员运用机器学习算法构建了整合预测模型,并在独立外部验证队列中证实其预测准确性显著优于传统单一标志物。此外,WES数据提示特定拷贝数变异(copy number variation, CNV)负荷与免疫微环境重塑存在关联,为理解免疫逃逸的基因组基础提供了新视角。
三、关键技术方法概述
本研究主要采用了以下核心技术手段:第一,单细胞转录组测序(scRNA-seq)技术,用于解析肿瘤浸润免疫细胞的转录状态与亚群构成;第二,空间转录组(ST)技术,用于保留组织原位空间信息,揭示细胞亚群的空间组织模式及细胞间邻近关系;第三,全外显子组测序(WES)技术,用于检测肿瘤体细胞突变及拷贝数变异,关联基因组特征与免疫表型;第四,基于图神经网络的细胞通讯推断算法,用于系统性解析配体-受体互作网络;第五,集成机器学习框架,用于多组学特征的融合与预测模型构建。样本队列来源于多中心前瞻性收集,涵盖非小细胞肺癌(non-small cell lung cancer, NSCLC)、黑色素瘤(melanoma)及肾细胞癌(renal cell carcinoma, RCC)等免疫治疗敏感瘤种。
四、研究结果详述
1. 肿瘤浸润免疫细胞的转录异质性图谱
通过scRNA-seq分析,研究人员在TME中鉴定出超过20个免疫细胞亚群,其中包括多个具有独特转录特征的CD8?T细胞亚群。无监督聚类结合轨迹推断分析显示,CD8?T细胞沿幼稚态、效应态向终末耗竭态逐步演化,而终末耗竭亚群高表达TOX、LAG3及HAVCR2等耗竭相关基因,且其比例与患者无进展生存期(progression-free survival, PFS)呈显著负相关。
2. 髓系细胞免疫抑制表型的空间定位
ST分析揭示,M2样肿瘤相关巨噬细胞(tumor-associated macrophage, TAM)及调节性T细胞(regulatory T cell, Treg)在肿瘤边缘及缺氧区域形成高度聚集的免疫抑制生态位,与CD8?T细胞浸润稀疏区域空间互斥。该空间排斥模式与免疫治疗无效组的病理特征高度吻合。
3. 细胞间通讯网络的重构
基于配体-受体互作分析,研究人员构建了TME内全局细胞通讯图谱。结果显示,肿瘤细胞与M2样TAM之间通过CSF1/CSF1R及IL10/IL10RA等轴形成正反馈抑制环路,同时肿瘤细胞高表达PD-L1与TIGIT配体,协同抑制CD8?T细胞效应功能。该通讯网络在免疫治疗抵抗组中显著强化。
4. 多组学整合预测模型的构建与验证
研究人员将scRNA-seq、ST及WES数据中的关键特征进行降维与融合,采用梯度提升机(gradient boosting machine, GBM)构建预测模型。模型在训练队列中AUC达0.92,在独立验证队列中AUC为0.89,且校准曲线显示良好的一致性。分层分析表明,该模型对PD-L1低表达亚群患者的预测增益尤为突出。
5. 基因组特征与免疫微环境的关联分析
WES数据分析发现,高CNV负荷与免疫抑制性TME表型显著相关,且特定染色体区域的局灶性扩增(如9p24.1)与JAK2/PD-L1共扩增相关,可能通过增强PD-L1表达促进免疫逃逸。此外,肿瘤突变负荷(tumor mutational burden, TMB)与CD8?T细胞浸润呈非线性关系,提示单独TMB不足以作为精确预测指标。
五、讨论与结论
讨论部分指出,本研究构建的TME多组学整合框架突破了单一维度标志物的局限性,系统性地揭示了免疫抑制网络的协同机制。研究结果强调了空间组织信息在免疫治疗预测中的关键价值,并提示针对特定细胞通讯轴(如TIGIT/PVR)的联合阻断策略可能逆转免疫抵抗。研究结论部分明确指出:基于多组学整合的机器学习模型能够有效预测免疫治疗响应,其识别的关键细胞亚群及通讯网络为开发新型联合治疗方案提供了坚实的分子基础。该研究为肿瘤精准免疫治疗从“单一标志物”向“系统网络”范式的转变提供了重要证据支持,具有显著的临床转化潜力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号