内容分享--转移性三阴性乳腺癌中肿瘤微环境的时空组成预测免疫检查点抑制剂的治疗反应

作者，Evil Genius

2026赛季这就算开打了，谁会在单细胞空间领域拔得头筹？单细胞这部分已经非常标准化，从样本到流程化的分析结果一条龙出具，已经没有新手入场的机会，下一个增长点是什么，目前还有点不明朗。

当然对于科研人员，尤其课题组、编制内的人员来说，标准化不是好事，尤其分析部分，需要自身具有很强的分析能力，结合课题挖掘数据了。

多组学的方向，对人的要求更高了，大家体制内、课题组内，没有后顾之忧的科研人员、学生，对你们来说，这是绝佳的机会。

很多人用AI写代码，但是大家要注意底层逻辑，AI其实也是汇总网络信息生成答案，说白了还是机器，并不能灵活运用，科研人员的思维、课题设计、代码更新、代码逻辑等内容，目前AI是无法取代人工的，而且更严重的，网络充斥着大量的垃圾内容，AI如果借鉴了这部分内容，结果必然是有问题的。

今天我们分享文献

知识积累

研究背景与临床现状

疗效有限：免疫检查点抑制（ICI）单药治疗在转移性乳腺癌中的效果不如其他癌症（如黑色素瘤）。

当前方案：联合化疗（化学免疫疗法）已成为PD-L1阳性mTNBC的标准治疗（基于IMpassion130和KEYNOTE-355试验）。

核心科学挑战

生物标志物难寻：由于免疫疗法涉及多种细胞类型和复杂的相互作用，传统检测方法参数有限且缺乏空间信息，难以准确预测哪些患者会响应治疗。

纵向数据缺失：针对转移性乳腺癌的治疗前后纵向样本采集非常稀少，限制了对肿瘤动态演变的了解。

研究设计与方法

时空数据集：研究创建了一个独特的mTNBC数据集，包含同一患者在治疗前（原发灶）、抗PD1治疗前后（转移灶） 的配对活检样本。

多模态分析：结合了多重成像（空间信息）、转录组学和基因组学数据，对肿瘤微环境（TME）进行全面解析。

核心发现与结论

关键预测特征：发现了与疗效相关的特征，包括肿瘤边界T细胞浸润、细胞邻域多样性、PDL1+髓系细胞。

动态变化的意义：细胞多样性的增加始终与良好预后相关；而CD8密度等传统指标仅在特定时间点具有预测价值。

样本类型的价值：治疗中的转移灶样本预测效能最强，而原发肿瘤样本价值有限。

结论：强调了纵向、多模态、包含空间信息的肿瘤微环境特征解析，对于理解免疫治疗响应机制和指导未来临床试验至关重要。

结果1、纵向转移性TNBC的多模态表征

数据队列

数据来源：基于TONIC临床试验（纳武单抗治疗）的103例mTNBC患者。

纵向设计：样本覆盖四个关键时间点——原发肿瘤、转移基线（治疗前）、纳武单抗诱导治疗后（pre-nivo）及纳武单抗治疗期间（on-nivo），以追踪肿瘤微环境（TME）的演变。

多模态数据生成

空间蛋白组学：对620个组织微阵列（TMA）核心进行37重MIBI成像，通过细胞分割与聚类，识别出8大类TME细胞谱系（包括癌细胞亚群、免疫细胞亚群、结构细胞等）。

互补组学数据：整合了同一批样本的全外显子测序和bulk RNA-seq数据，构建了覆盖101-103名患者的多模态数据集。

TME细胞组成特征

主要细胞类型：转移灶中以癌细胞为主（46.3%），其次是免疫细胞（32.1%）和结构细胞（18.1%）。

关键亚群特征：

免疫细胞：CD4+/CD8+ T细胞最丰富，常表达PD1；Treg细胞增殖最活跃；巨噬细胞/单核细胞高表达PDL1和TIM3。 癌细胞：存在功能异质性（如增殖标记Ki67、代谢标记GLUT1表达差异）。 成纤维细胞：观察到与免疫抑制相关的CAF-S1表型。

分析重点：解析TME中细胞空间动态相互作用。

结果2、使用SpaceCat对TME进行量化

SpaceCat：高通量空间特征提取工具

开发目的：解决从高多重成像数据中规模化提取标准化空间信息的挑战。

功能：可处理任何多路成像数据集，每个样本提取903个特征，涵盖细胞丰度、表型、多样性、空间互作、免疫浸润及细胞外基质（ECM）组成等。

空间分区：定义了癌核心、癌边界、基质边界、基质核心四个肿瘤区域，发现28%的特征在不同区域存在差异（如CD8/CD4 T细胞比率在癌核心中显著更高），强调了空间背景的重要性。

TME特征分类与生物学关联

特征构成：903个特征中，以细胞表型（444个）和细胞丰度（236个）为主，免疫细胞相关特征占比最高（42.3%）。

ECM分析：将图像区域分为无ECM、冷区（仅胶原蛋白）和炎性区（胶原+FAP+纤连蛋白）。冷区中表达免疫抑制蛋白（TIM3、PDL1）的成纤维细胞和巨噬细胞比例更高。

特征聚类：相关性矩阵显示特征可聚类为生物学相关模块，如免疫多样性、缺氧（GLUT1⁺）和细胞形态等。

治疗前后的时间动态

整体变化有限：独立于治疗结局，所有患者在治疗期间均观察到基质边界的T细胞/癌细胞比率显著增加（T细胞浸润普遍增强）。

个体差异驱动：多数特征在时间点间无显著差异，提示需按患者治疗反应进行分层分析。

空间特征与转录组的跨模态整合

数据整合：将MIBI空间数据与RNA-seq特征（细胞因子信号、基因集、CIBERSORTx细胞丰度）进行关联分析。

强相关性发现：

免疫相关通路：干扰素信号通路（如MDA5-IRF7-IRF3、RIGI-IRF7-IRF3）与HLA1⁺癌细胞高度相关。 空间与功能：癌核心中CD8⁺T细胞周围的细胞多样性与T细胞耗竭特征呈负相关；TGFβ信号与癌边界的特定T细胞亚群相关。 区域特异性：空间特征与转录组的强相关性主要富集在癌核心和癌边界，而基质区域的相关性较弱。

结果3、免疫检查点阻断反应的预测因素

利用SpaceCat提取的特征，识别与免疫检查点抑制剂（ICI）疗效相关的预测因子，并检验了其预测效能与泛化性。

分析要素

比率优于密度：相较于单一的细胞密度（如T细胞密度），细胞比率（如T细胞/癌细胞比率）与疗效的关联性更强，是更优的预测指标。

空间背景至关重要：在特定肿瘤区域（如癌边界）内定义的特征，其预测能力显著强于全图像范围计算的特征。

预测力排序：治疗中样本的预测效能最强，而原发肿瘤样本的预测价值有限。

关键预测性生物学模块

免疫细胞比率：多种免疫细胞与癌细胞的比率升高（如T细胞/癌细胞、B细胞/癌细胞、T细胞/结构细胞比率）一致性地预测更好的治疗反应。

PDL1表达：髓系细胞上的PDL1表达（PDL1⁺CD68⁺巨噬细胞）在应答者中富集，是重要的正向预测指标。

细胞多样性：整体及特定区域（如癌边界、单核细胞谱系内）的高细胞多样性与临床获益相关。

例外：特定癌细胞亚群的多样性（如ECAD⁺CK17⁺ cancer 1）与疗效呈负相关。

结果4、响应相关特征随时间演变

时间点特异性：预测特征高度动态

绝大多数特征具有时间点特异性：前100个预测特征中，有92个仅在单一时间点与疗效相关，表明TME的预测性特征是动态变化的，而非静态标志物。

治疗中样本贡献最大：前100个特征中，有80个来自治疗中（on-nivo） 样本，凸显了治疗早期动态变化对于预测疗效的关键价值。

原发肿瘤预测价值有限：原发性肿瘤中的特征（如B细胞/NK细胞比率、CD68巨噬细胞密度）对后续ICI疗效的区分度较弱，且既往在原发性TNBC中报道的预后特征在本转移性队列中均未复现。

各时间点的关键预测特征

原发肿瘤：特征与疗效关联微弱，且无法在后续时间点保持预测性。

治疗前基线：预测特征主要涉及细胞比率和细胞多样性（如结构细胞密度、未分类细胞/癌细胞比率），但与淋巴细胞的直接关联较少。

治疗中（on-nivo）：预测特征高度富集，主要包括：

淋巴细胞相关指标：T/B细胞密度及其与其他细胞类型的比率。

已报道的预测因子：T细胞/癌细胞比率（癌边界）、巨噬细胞PDL1表达、CD69表达。

新发现的关联：癌细胞与成纤维细胞的邻近程度、癌细胞与成纤维细胞的多样性。

跨时间点保守的特征

少数特征持续预测：前100个特征中仅有4个在多个时间点共享，且均定位于癌边界，包括细胞多样性、PDL1⁺ CAF-S1细胞等。

转移灶共性：放宽阈值后发现的跨时间点共享特征（如癌边界的T细胞/癌细胞比率）均存在于转移灶样本之间，无一与原发肿瘤重叠，进一步强调原发灶与转移灶生物学差异巨大。

动态演变特征的预测价值

变化量预测疗效：分析了各特征在不同时间间隔（如基线→治疗中）的变化量与疗效的关系。

独有发现：10个特征仅在演变分析中显现预测价值（如B细胞/T细胞比率的变化、GLUT+癌细胞比例的变化），且所有这些变化均指向从早期时间点向治疗中（on-nivo）的演变过程。

关键结论：从基线到治疗中T细胞在癌边界浸润的增加，是即将产生治疗反应的早期指示信号。而从原发肿瘤到基线的任何变化均无法预测疗效，证实了转移灶的独特生物学。

结果5、多变量模型预测免疫检查点抑制剂（ICI）疗效

时间点决定预测效能

治疗中样本预测能力最强：基于治疗中（on-nivo）样本的MIBI空间特征模型，预测效能最佳（平均AUC=0.90），显著优于治疗前基线（AUC=0.79）和诱导治疗后（pre-nivo，AUC=0.66）模型。

原发肿瘤无预测价值：原发肿瘤模型表现最差（AUC=0.54），仅略高于随机水平，再次证实原发灶与转移灶的生物学差异巨大。

跨队列对比：本研究的治疗中模型预测效能（AUC=0.90）超越了早期TNBC研究（NeoTRIP）的报道值（AUC=0.77），反映了转移性TNBC的独特生物学特征。

多模态与单模态模型对比

转录组模型：与MIBI模型趋势一致，治疗中（on-nivo）转录组模型（AUC=0.88）优于基线模型（AUC=0.72）。

基因组模型：基于基线样本的突变/CNA模型预测准确性较低（AUC=0.69）。

多模态融合未提升效能：结合MIBI与RNA特征的多模态模型并未优于单一模态模型，可能与样本量有限及数据信息冗余有关。

关键预测特征的可解释性与临床转化潜力

基线MIBI模型：突出CD38⁺细胞（主要为内皮细胞）作为关键预测因子，仅需3个标记物即可检测，具备临床转化可行性。

基线RNA模型：首要预测因子为细胞溶解活性评分（仅需2个基因）。

治疗中MIBI模型：识别出9个预测特征，包括癌细胞多样性、B细胞/结构细胞比率等，每个特征仅需3-6个标记物。

治疗中RNA模型：识别出3个特征（细胞溶解活性、抗肿瘤细胞因子、ECM），平均需8个基因。

精简模型的可行性

标记物数量：生成所有选定特征需要28个抗体通道，但部分特征贡献较小，提示可简化panel。

特征数量：即使将特征数量限制在5个，治疗中模型的AUC仍可保持在0.8以上。

单一特征的强预测力：部分单一特征（如癌核心的T细胞/癌细胞比率、B细胞/癌细胞比率、CD8 T细胞密度）单独即可达到AUC>0.85的预测准确性。

核心结论

纵向采样至关重要：治疗中样本的预测价值远高于治疗前样本。

转移灶具有独特生物学：原发肿瘤中有效的预测因子（如增殖、上皮-免疫互作）在本转移性队列中无效。

临床转化前景：基于少数关键特征的简化检测方案（如CD38⁺细胞、T细胞/癌细胞比率）有望实现临床可操作的疗效分层。

其中的方法SpaceCat，我们下一篇解析

生活很好，有你更好。