文献分享--肿瘤免疫微环境的重塑可预测免疫检查点抑制剂治疗反应

作者，Evil Genius

今日参考文献

整体研究背景与核心问题

免疫检查点抑制剂（ICIs）已成为多种癌症的标准疗法，但仍有超过半数患者无应答或产生耐药。既往研究多聚焦于治疗前的“冷/热”肿瘤免疫表型，试图通过基线特征预测疗效，但效果有限。作者指出，ICI并非被动检测免疫状态，而是主动扰动微环境的干预措施，能重新激活淋巴细胞、改变髓系细胞群体。因此，应将TIME视为动态系统，而非静态属性。关键问题应转变为：治疗开始后，免疫生态系统如何演变？这种演变轨迹是否能预测疗效？ 验证此假设需要治疗前后连续活检的纵向样本，但此前研究样本量小（10-20例），且跨研究整合困难。本研究通过构建大规模、跨癌种的纵向单细胞RNA测序（scRNA-seq）图谱，系统性解析TIME在ICI治疗过程中的重塑规律，并探索其与临床结局的关联。

结果部分 1：泛癌图谱揭示TIME动态的全景

• 数据构建：
  • 首先自主生成17例黑色素瘤（SKCM）患者在治疗前（第0天）和抗PD-1±抗CTLA-4治疗后6-16天的配对活检scRNA-seq数据。
  • 整合公共数据库中15项独立研究，共涵盖10种癌症类型（包括头颈鳞癌HNSCC、非小细胞肺癌NSCLC、乳腺癌BRCA、三阴乳腺癌TNBC、肝细胞癌HCC、结直肠癌CRC、前列腺癌PC、基底细胞癌BCC等）。
  • 最终图谱包含441份样本，来自241例患者，共1,483,740个TIME细胞（其中370份全谱系，71份为CD45⁺分选细胞）。
• 细胞注释与质量控制：
  • 采用分层参考引导的深度表型注释框架：先利用SingleR、scGate和Seurat聚类进行初步注释，再跨数据集整合，最终鉴定出11种主要细胞类型（T、NK、B、浆细胞、髓系、内皮、成纤维等）和77个精细亚型。
  • 标记基因表达验证了分类准确性。
• 治疗相关的组成变化（基线 vs 治疗中）：
  • 跨队列荟萃分析显示，ICI治疗后单核/巨噬细胞（mono/macro）普遍富集，而恶性细胞比例显著降低。
  • 使用scCODA（组成数据贝叶斯模型）验证，结果与Wilcoxon分析总体一致（r=0.66），但NK细胞和常规树突状细胞（cDCs）方向不一致。
  • 癌种特异性动态：B细胞在BCC、BRCA、HNSCC中浸润增加；浆细胞在NSCLC化疗联合抗PD-1时基线即富集；ER⁺乳腺癌中单周期抗PD-1增加髓系，TNBC中增加增殖T/NK并减少肥大细胞。
  • 按T细胞扩增分层，扩增组pDC和B细胞增多，非扩增组mono/macro增多、CD8⁺T减少；RECIST应答者肥大细胞减少。
  • 结论：ICI诱导广泛的、多谱系TIME重塑，远超出T细胞再激活。

结果 2：高分辨率免疫细胞亚型揭示治疗和应答相关的TIME转变

• 亚型分辨率分析：
  • 在主要细胞类型基础上，利用泛癌参考图谱进行精细亚型注释，最终得到62个免疫亚型和15个非免疫亚型。
  • 通过配对样本Wilcoxon检验和随机效应荟萃分析，比较基线 vs 治疗中各类亚型的丰度变化。
• 时间动态模式：
  • 早期富集：滤泡辅助T细胞（CD4_Tfh）、GZMK⁺细胞毒性CD8⁺T细胞（CD8_Text_GZMK）、增殖生发中心B细胞、TREM2⁺巨噬细胞在治疗后富集，且主要发生在第一个治疗周期内，随后减弱。
  • 早期耗竭：干扰素刺激基因（ISG）高表达的T细胞（CD4_T-ISG、CD8_T-ISG）和周细胞在治疗早期即减少。
  • 晚期变化：调节性T细胞（CD4_Treg）在多个周期后才显著减少；周细胞、肌成纤维细胞和促纤维增生型CAFs在≥2个周期后显著耗竭（尤其在CRC中）。
• 应答分层分析：
  • 应答者与非应答者共享T-ISG和B-ISG的早期耗竭，但应答者在后期耗竭更强烈。
  • 应答者中，CD4_Tfh和CD8_Text_GZMK的早期富集更为明显。
  • 某些动态（如ISG⁺巨噬细胞、CD4_Treg）在不同癌种间呈现异质性轨迹。
• 结论：高分辨率亚型分析揭示了ICI治疗期间TIME重塑的精细时间序列和应答相关特征。

结果 3：四种TIME亚型定义协调的免疫-基质组织模式

• 识别TIME亚型：
  • 基于细胞组成数据，采用非负矩阵分解（NMF）从全部样本（基线和治疗中）中提取出4个稳定的细胞程序（因子），并通过共识聚类将其定义为4种TIME亚型：
    • TIME-Q（静息/基质型）：相对低免疫浸润，富集成纤维细胞和内皮细胞，类似“纤维化/耗竭”表型。
    • TIME-I（炎症型）：富集CD8⁺T、CD4_Tfh、NK细胞，IFN信号强，即“热肿瘤”。
    • TIME-B（B细胞富集型）：富集B细胞、浆细胞、生发中心B细胞，伴滤泡辅助T细胞和三级淋巴结构（TLS）特征。
    • TIME-Mye（髓系主导型）：富集单核/巨噬细胞（包括M2样、TREM2⁺）、髓系抑制细胞，免疫抑制特征明显。
• 空间验证：
  • 在NSCLC和黑色素瘤的Visium空间转录组数据中，各亚型的代表性细胞类型在空间上共定位，证实其生物学一致性。
• 临床预后关联（TCGA）：
  • 将单细胞分类映射到TCGA泛癌种大样本（非ICI治疗），发现TIME-B与最长的总生存和无进展生存相关，而TIME-Mye与最差结局相关，表明亚型能反映基础免疫生物学。
• 基线亚型对ICI疗效的预测能力有限：
  • 将分类映射到1,988例ICI治疗前的RNA-seq样本（19个独立队列），发现基线TIME-I和TIME-B的客观缓解率略高（36.9%和31.1% vs TIME-Q的22.3%和TIME-Mye的26.0%，p=0.04），但生存分析无显著差异。说明静态基线亚型不足以预测动态治疗响应，需要转向动态变化。

结果 4：TIME转变与治疗疗效紧密相关

• 转变频率与模式：
  • 在187例配对肿瘤中，57.8%（108例）维持基线亚型（显著高于随机），42.2%（79例）发生亚型转变。转变率在不同治疗周期和癌种间无显著差异，提示治疗相关重塑独立于采样时间。
• 转变方向与疗效的关联：
  • 非应答者中，治疗后的TIME-Mye显著富集（p=0.002），这些肿瘤上调M2样巨噬细胞、吞噬抑制和基质重塑等免疫抑制程序。
  • 应答者中，转向TIME-I的肿瘤上调抗肿瘤通路（TIME-I特征、检查点分子、M1样巨噬细胞、TLS形成）。
• 定义“应答有利”和“应答不利”转变：
  • 有利转变：TIME-B/I → TIME-B；TIME-Q/Mye → TIME-I；维持TIME-B。
  • 不利转变：维持TIME-Q、TIME-Mye、TIME-I；TIME-Q→TIME-Mye；TIME-B→TIME-Q。
  • 有利转变组客观缓解率显著高于不利组（p<0.001）。
• 癌种特异性：黑色素瘤和HNSCC应答者偏好转向TIME-Q，而TNBC应答者更常转向TIME-B。
• 优于B细胞丰度：转变分类比单纯的B细胞丰度或治疗中TIME-B状态更能区分应答（多变量OR=4.43 vs 2.31和2.30），似然比检验证实转变信息具有额外预测价值。
• 独立验证（Bulk RNA-seq配对队列）：
  • 在139例ICI治疗患者的配对bulk转录组数据中，单细胞定义的转变模式与bulk数据中推断的转变概率高度相关（r=0.72，p=0.03）。
  • 有利转变组应答率更高，且在黑色素瘤中总生存有改善趋势（HR=2.24，p=0.056）。
• 结论：治疗期间TIME亚型转变（而非基线状态）与疗效密切相关，可作为治疗反应的潜在替代标志物。

结果 5：源于转变的基线特征可预测ICI应答

• 推导转变相关基因特征：
  • 聚焦于基线TIME-I和TIME-Mye两种与转变-应答关联最强的亚型。
  • 比较TIME-I中转向有利（TIME-B/Q）vs 不利（TIME-Mye）的肿瘤；以及TIME-Mye中转向有利（其他亚型）vs 维持TIME-Mye的肿瘤。
  • 通过随机森林稳定性选择，分别从TIME-I和TIME-Mye中筛选出25个和34个区分基因（共59个，无重叠）。
• 两套基因集的生物学内涵：
  • 有利相关基因（37个）：富集于细胞毒性效应分子（PRF1、GZMH）、检查点受体（LAG3）、干扰素α应答、移植物排斥等，反映“预激活”的炎症状态。
  • 不利相关基因（22个）：富集于核糖体生物合成、MYC靶标，与代谢激活和免疫抑制性M2巨噬细胞极化相关。
  • 有利相关基因还包括CXCL9、CXCL13（趋化T细胞）、BATF、IKZF3（促进TLS形成），提示即使在髓系主导的生态型中仍保留淋巴细胞浸润潜力。
• 构建59基因“转变评分（Transition Score）”：
  • 结合两组基因，计算方向性富集分数（高评分表示有利于转向应答有利状态）。
  • 在单细胞数据中，应答者的转变评分显著高于非应答者（p<0.001）。
• 独立大批量队列验证（19个队列，1,383例基线样本）：
  • 调整队列后，高评分与更高的应答概率显著相关（OR=1.53，95% CI 1.35-1.74，p<0.001），16/19队列方向一致。
  • 预测无进展生存（HR=0.86，p<0.001，9队列）和总生存（HR=0.90，p=0.008，14队列）。
• 与现有标志物比较：
  • 该评分与7种已发表的ICI响应特征（如IMPRES、T细胞炎症特征、IFNγ等）相关性较低（r=0.56-0.72），而现有特征间高度相关（r=0.70-0.96），基因重叠也极少。
  • 在10折交叉验证中，该评分的AUROC（0.681）与现有特征相当，但捕获了非冗余的生物学轴——即微环境重塑的内在能力。
• 结论：59基因转变评分能有效预测跨癌种ICI疗效和生存，提供了超越传统T细胞中心标志物的新维度。

讨论与局限性

• 核心贡献：本研究首次通过大规模、多癌种、纵向单细胞图谱，系统证明了TIME在ICI治疗中的动态重塑是预测疗效的关键，而非基线静态状态。转变方向（有利 vs 不利）与应答紧密相关，转变评分可推广至bulk RNA-seq数据，具有临床转化潜力。
• 生物学意义：明确区分了“应答有利”（向炎症或B细胞富集型演变）和“应答不利”（维持或转向髓系主导）的轨迹，揭示B细胞和髓系动态在更广泛的TIME状态转换中的核心地位。
• 方法学优势：分层参考引导的注释框架确保了跨研究一致性，克服了以往整合的批次效应和标注不统一问题。
• 局限性：
  • 数据来源异质性（不同癌种、采样时间、联合治疗、应答标准），残留偏倚可能。
  • 缺乏未治疗的纵向对照（伦理限制），观察到的变化为“治疗相关”而非绝对“治疗诱导”。
  • 晚期（≥2周期）样本量较小，无法确定后期效应是否减弱或仅因统计功效不足。
  • 空间数据有限，限制机制解释。
  • 罕见或组织特异性免疫群体可能被低估。
• 未来方向：需更大规模多时间点队列的前瞻性验证，以及针对不同癌种进行阈值校准。

方法

• 数据生成：自主黑色素瘤队列（17例）的10x 5’ scRNA-seq；公共数据整合。
• 预处理：标准质控（基因数、线粒体比例）、双细胞去除（scDblFinder + DoubleFinder）。
• 分层注释：第一层用SingleR + scGate + 聚类确定主要细胞类型；第二层用泛癌参考（T细胞、髓系、B细胞、CAFs等）进行精细亚型注释，并经跨数据集整合和手动调整。
• 恶性细胞鉴定：inferCNV基于拷贝数变异。
• TIME亚型定义：基于NMF对细胞组成矩阵进行分解，选出4个因子（k=4），再通过相关性将样本分型。
• 转变分类：依据上述有利/不利定义，并比较B细胞模型。
• 特征开发：随机森林稳定性选择→59基因→ssGSEA评分→用独立bulk队列验证。
• 统计方法：Wilcoxon检验、随机效应荟萃分析、Fisher精确检验、Cox回归、Logistic回归、似然比检验、Kaplan-Meier等。

生活很好，有你更好