文献分享--泛肿瘤空间转录组学揭示了肿瘤组织的保守特性

作者，Evil Genius

今日分享文献

研究背景与核心问题

摘要： 肿瘤微环境（TME）是一个由多种细胞、蛋白质和其他生物成分构成的复杂体系，深刻影响肿瘤的生长、转移和治疗反应。TME内的生物学变异在遗传、通路、细胞和组织层面均具有临床相关性，例如黑色素瘤中肿瘤浸润淋巴细胞（TIL）评分和结直肠癌中“免疫评分”（CD3⁺/CD8⁺ T细胞的空间平衡）已被证实具有预后和预测价值。然而，空间分子 profiling 研究显示，肿瘤内部和肿瘤之间存在巨大的异质性，使得阐明TME的组织原则极为困难，也限制了空间 profiling 的临床应用。近期研究发现了一些复现的多细胞空间结构与肿瘤生物学和预后相关，但这些研究多依赖有限预选标记物的蛋白质检测，可能无法揭示普遍规律。空间转录组学（ST-seq）可实现无偏评估，但其数据复杂性阻碍了从描述到原理发现的跨越。受蛋白质科学、基因组学和微生物组中协变分析方法的启发，作者假设对多样本（泛肿瘤）ST-seq数据进行协变分析，可能揭示TME空间生物学的保守模式。为此，他们开发了TumorSPACE算法，在262个实体瘤（18种类型）中识别出转录协变的层次化区域——“空间群”（SGs），并以此构建了泛癌种TME空间生物学模型，发现免疫是主导变异轴，且该分类在独立NSCLC ICB治疗队列中能区分疗效。

结果部分 1：空间群（SGs）定义了TME空间生物学的保守架构

• 数据构建与病理注释：研究组建立了包含262个肿瘤（18种类型）的多模态数据库，均经10x Visium空间转录组学 profiling。由认证病理学家对H&E图像进行层级化注释，区分肿瘤、邻近正常组织和技术特征。对其中8个肿瘤还进行了51重免疫荧光（mIF）高分辨率成像。
• TumorSPACE算法：该方法利用转录协变将空间转录组 spots 组织成一个层级树。关键步骤包括：对基因计数矩阵进行奇异值分解（SVD）构建“谱距离”；通过层级聚类生成树；用自助法评估节点统计稳健性；用Ripley's K函数计算节点的空间离散度；优化超参数使推断的组织与真实空间位置最大程度吻合。
• 验证：在所有262个肿瘤中，推断的组织与真实空间距离的吻合度显著优于随机。以卵巢小细胞癌（SCOC-P2）为例，转录相似的spots对应空间上局部的组织区域。
• 定义空间群（SGs）：这些区域被称为SGs。较小的SG常物理上嵌入较大的SG内（“嵌套SG”，NSG），而另一些则独立存在（“非嵌套SG”，非NSG）。通过NSCLC的ST-seq与mIF对齐验证，发现最大SG对应肿瘤富集区、坏死富集区和免疫浸润区；免疫浸润SG进一步细分出淋巴滤泡样结构、肿瘤旁CD8⁺T细胞簇、血管周围生态位和混合免疫浸润。
• 层级深度分析：所有肿瘤均包含NSG和非NSG，NSG常形成多层级。NSG嵌套程度在肿瘤富集区和正常组织中最高（组织架构高度有序），在炎症或出血富集区（细胞组成较均一）最低。结论：SGs是描述TME多尺度组织的有效单位。

结果部分 2：SGs揭示了跨肿瘤的生物学域嵌套层级

• SG的生物学内容：比较同一父SG下的子SG对，发现它们常富集不同的生物学通路。例如在胶质母细胞瘤中，一个母SG下分出两个子SG：SG13（富集神经元发育、突触信号）和SG18（富集受体酪氨酸激酶RTK、GPCR、细胞因子信号及先天免疫，提示免疫耗竭）。Moran's I（空间自相关统计）验证了这两个子SG在空间异质性上的差异，与TumorSPACE分解一致。
• SG物理尺度与生物学程序关联：
  • 大尺度SGs：与CD4⁺/CD8⁺T细胞丰度相关（这些细胞常被排除在大区域外）。
  • 中等尺度SGs：与信号转导、细胞间通讯、趋化因子应答相关。
  • 小尺度SGs：与局部肿瘤-免疫相互作用相关。
• 层级依赖性：父SG中的生物学程序可预测子NSG中观察到的程序，而非NSG无此关系。表明某些空间域嵌入更大域内，其生物学受更广泛背景塑造，而另一些代表空间独立程序。
• 模型总结：TME被组织为空间结构化生物学过程的层级结构，SGs提供了空间结构与生物学功能之间的数据驱动且保守的联系。

结果部分 3：通过基因空间易变性（SLAB）对TME进行分类

• 定义基因空间易变性（SLAB）：为比较不同肿瘤的空间组织，作者定义了SLAB指标。对于每个基因，在TumorSPACE树中寻找同父兄弟SG对之间存在差异表达的位点，将差异表达分配给较小的子SG（对应最局部的变化），然后将该基因在所有此类SG中占据的spots比例定义为SLAB分数。SLAB与平均表达正相关，但也捕获额外变异（如CALR基因表达相似但SLAB差异大）。
• 泛癌种分类（空间类别，SCs）：
  • 将246个ST-seq数据集（泛癌种队列）的基因组SLAB向量进行层级聚类，经自助法筛选（TBE≥0.95），得到9个稳健的空间类别（SC1-SC9）。
  • 多数SC包含跨解剖来源的肿瘤，仅SC6（全胶质瘤）、SC7（全头颈鳞癌）和SC8（胶质瘤+1例重新分类为胶质瘤）为单类型。
  • 55%的重复切片对归入同一SC；SC1、SC4、SC9在较少样本时即可可靠识别，SC2、SC3、SC5、SC6、SC8需要更多样本。
• SC与已知生物学关联：
  • 映射到TCGA数据，发现SC1/2/3/4（高免疫SLAB）与免疫富集亚型（如C1/C2）重叠，SC5/6/7/8/9与基质/代谢亚型重叠。
  • SC4对应“免疫耗竭”特征，SC3对应“T细胞耗竭”和“TGF-β反应”。这表明SLAB分类捕捉了已知的免疫和基质生物学。

结果部分 4：免疫是TME空间变异的主要生物学轴

• 识别SLAB变异的主要分支：对SC层级树中的高置信分支点进行差异SLAB基因分析，发现分支点主要由四个生物学轴主导：适应性免疫、先天免疫、神经发育和代谢。
• 免疫轴细节：
  • 适应性免疫的三个分支点涉及T细胞染色质重塑（NuRD复合体GATA2DA/MBD2，SWI/SNF复合体ARID2）、淋巴细胞发育（TCF20、LIF4）和瘤内T细胞功能（SNX19、ZNF671）相关基因的SLAB差异。
  • 先天免疫分支点富集MAGEB17、ZNF773、DERPC等研究较少的基因，以及GPCR/细胞因子信号通路。
• 代谢轴：SC6（纯胶质瘤）与SC5的区别在于碳水化合物代谢变异（胶质瘤已知特征）；SC7（纯HNSCC）与SC8/9的区别在于脂质代谢变异（HNSCC关键特征）。
• 神经发育轴：最深分支点区分SC8（纯胶质瘤）与SC9，涉及神经元限制基因（TRIM9、ATCAY）。
• 定义免疫空间易变（ISL）与免疫空间不变（ISI）：基于免疫是主导轴，将SC1-SC4定义为ISL，SC5-SC9定义为ISI，并假设此分类可能与ICB疗效相关。

结果部分 5：TME分类与NSCLC ICB治疗反应相关

• 独立NSCLC队列验证：16例接受一线ICB±化疗的IV期NSCLC患者，治疗前活检进行ST-seq。用泛癌种分类将肿瘤分为ISL（11例，属SC1/2/4）或ISI（5例，属SC5/6/9）。
• 生存分析：
  • ISL患者无进展生存期（PFS）显著长于ISI。
  • 标准PD-L1 IHC（多分类或二分类阈值）均未能区分PFS。
  • 多变量分析（校正治疗方案、PD-L1、KRAS、STK11、EGFR/BRAF突变）显示ISL/ISI分类始终显著，而其他协变量不显著。8/12例可测量病灶患者治疗早期出现肿瘤缩小，提示PFS差异反映治疗反应而非预后。
• 与稀疏生物学特征比较：使用SpaCET细胞类型丰度和8个已发表的NSCLC ICB反应基因集（bulk表达），发现这些稀疏特征均不如ISL/ISI分类有效。例如内皮细胞丰度的SLAB表示与PFS显著相关（p=0.011），而bulk丰度不显著（p=0.61）。表明空间分布信息是关键。
• 病理学验证：mIF高分辨率注释显示ISL肿瘤富集坏死、淋巴滤泡炎症等免疫激活特征；ISI肿瘤富集血管周围炎症、成纤维细胞富集区和肿瘤-基质界面。典型ISL肿瘤显示类似肾细胞癌免疫应答的淋巴聚集体空间组织；ISI肿瘤显示成纤维细胞交织于肿瘤细胞间的“T细胞排斥”结构。
• NSCLC中区分ISL/ISI的关键基因：STARD7和HINT1（TME免疫调节相关）；通路富集KEAP1-NFE2L2轴（肺癌免疫抑制）和亚油酸代谢（多不饱和脂肪酸可增加ICB敏感性）。而泛癌种中区分ISL/ISI的IGF信号在NSCLC中不显著（与肺癌中IGF1R突变罕见一致）。

结果部分 6：用mIF标记物面板近似肿瘤间空间相似性

• 动机：SGs的发现需要全基因组空间数据，临床成本高。作者探索能否用低通量mIF（临床更可行）近似SLAB定义的空间相似性。
• 方法：对6例有对齐ST-seq和mIF数据的NSCLC肿瘤，从mIF数据中提取四种表示：标记物平均强度、细胞类型丰度、细胞邻域丰度、标记物SLAB（将TumorSPACE应用于mIF标记物丰度，计算每个标记物的空间变异SLAB）。采用马尔可夫链蒙特卡洛（MCMC）模拟进行特征选择，以最大化与基因组SLAB肿瘤间相似性矩阵的相关性为目标。
• 结果：
  • 标记物SLAB表现最佳，仅需7个特征即可达到高相关性。
  • MCMC选出两个最优7标记面板（共享CD40和vimentin，其余标记互补，涵盖CD4⁺T、CD8⁺T、巨噬细胞、Treg、肿瘤细胞等）。
  • 广义线性模型（GLM）单独选出的7个表现最佳标记（未考虑协同信息）相关性显著较低（r=0.59），证明需考虑标记物间集体信息。
• 结论：标记物SLAB面板能有效替代基因组SLAB，为临床可扩展的空间生物标志物开发提供基础。

讨论与展望（Discussion）

• 核心贡献：本研究通过泛癌种空间转录组学，揭示了TME存在保守的层级化组织单位——SGs。SGs不仅是生物学上可解释的实体（对应病理学结构），还通过SLAB指标量化了基因表达的空间足迹，为跨肿瘤比较提供了统一框架。
• 免疫是主导轴：TME空间变异的主要轴是免疫生物学（而非肿瘤类型），ISL vs ISI分类能有效区分NSCLC ICB疗效，且优于PD-L1 IHC和现有基因集/细胞类型丰度标志物，提示空间免疫组织模式是关键。
• 临床转化潜力：SLAB概念可映射到mIF数据（7标记面板），为临床实践中使用空间生物标志物提供了可行路径。MCMC证明选择标记物时需考虑协同信息，而不是单独选最高相关标记。
• 泛癌种坐标系的公共效用：随着更多带临床注释的数据集投影到该空间，可增强对肿瘤空间生物学的解释能力，且无需移动或暴露患者级数据。
• 局限性：
  • 泛癌种队列未覆盖所有癌种和患者群体；某些SC仅在大量肿瘤中才可发现。
  • 仅整合了RNA和蛋白质两种空间信息，未来可纳入代谢组等。
  • NSCLC验证队列规模较小（n=16），虽足以证明概念，但需多中心前瞻性试验验证其作为预测生物标志物的优越性。

方法与关键资源

• 数据整合：从GEO下载已有ST-seq数据集，整合标准包括spot-by-gene矩阵、空间坐标、scale factor和H&E图像。内部NSCLC样本按10x Visium CytAssist FFPE v2方案处理。
• 病理注释：病理学家在QuPath中进行层级化注释（肿瘤、基质、坏死、炎症等），并通过盲法复评确保一致性。
• TumorSPACE核心算法：
  • 对基因计数矩阵进行SVD，计算谱距离；层级聚类构建树。
  • 自助法（TBE）评估节点稳健性；Ripley's K评估空间离散度。
  • 超参数优化（PC深度、TBE阈值、空间离散度阈值、KNN数量）最大化spot位置预测准确率。
  • 输出SGs，并定义NSG深度。
• SLAB计算：对每个基因，在所有兄弟SG对中识别差异表达，将差异归因于较小的子SG，计算该基因差异表达spots占总spots的比例。
• SC分类：SLAB向量层级聚类+自助法（TBE≥0.95）得到9个SC。
• mIF处理：CODEX 51重染色，DeepCell分割，MCMC特征选择。
• 生存分析：Cox比例风险模型、Kaplan-Meier对数秩检验。
• 软件：TumorSPACE用Julia实现；分析用R（v4.1.0）和Python（v3.11）。

生活很好，有你更好。