IF58.7｜转移性乳腺癌多模态单细胞与空间表达图谱

67例转移灶活检的多模态图谱揭示巨噬细胞空间特征、EMT表型及T细胞浸润/排斥程序。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

转移是癌症死亡的主要原因，但转移灶肿瘤微环境（TME）因取材和技术限制长期缺乏系统表征。单细胞RNA测序（scRNA-seq）和空间转录组技术为解析TME异质性提供了新工具，但既往研究多集中于原发肿瘤或少数转移部位，且缺乏多模态整合。转移性乳腺癌（MBC）在临床病理特征（如分子亚型、转移部位、治疗史）上高度异质，其TME组成和空间结构如何随这些特征变化尚不清楚。此外，不同空间技术（如Slide-seq、MERFISH、CODEX）各有优势和局限，如何整合多模态数据以最大化信息获取是方法学上的挑战。本研究通过构建包含67例MBC活检的多模态图谱，旨在系统描绘转移灶的细胞组成、表达异质性及空间特征，为理解转移生物学和临床转化提供资源。

科学问题

卡在哪里： 此前研究缺乏对转移性乳腺癌活检的多模态、跨临床病理特征的系统性空间和单细胞表征；不同空间技术间的可比性和整合策略尚不明确；巨噬细胞空间表型、EMT空间异质性及T细胞浸润/排斥的空间决定因素在转移灶中未被充分解析。

本文要回答： 构建转移性乳腺癌的多模态单细胞和空间表达图谱，评估细胞组成和表达异质性，解析巨噬细胞空间特征、EMT空间表型及T细胞浸润与排斥的分子程序。

技术路线

作者主要用了：snRNA-seq、scRNA-seq、Slide-seq、MERFISH、ExSeq、CODEX、H&E染色。

作者收集了60例转移性乳腺癌患者的67个活检样本，涵盖9个解剖部位和多种临床病理特征。对所有样本进行单细胞或单核RNA测序（sc/snRNA-seq），并对其中15个样本的连续切片进行四种空间表达分析（Slide-seq、MERFISH、ExSeq、CODEX）及H&E染色。通过配对的单细胞和空间数据，作者首先评估了不同技术间的可比性和整合效果，然后分析了细胞类型组成和表达异质性随临床病理特征的变化。进一步，利用空间数据解析巨噬细胞亚群的空间分布和共定位模式，识别上皮-间质转化（EMT）的空间表型，并鉴定与局部T细胞浸润或排斥相关的表达程序。

核心亮点

亮点 1｜多模态数据整合与技术评估

作者对67例转移性乳腺癌活检进行了sc/snRNA-seq，并对其中15例的连续切片进行了Slide-seq、MERFISH、ExSeq和CODEX分析。通过配对的单细胞和空间数据，评估了不同空间技术在细胞类型映射和基因检测方面的性能。结果显示，Slide-seq和MERFISH在细胞类型识别上具有互补性，而ExSeq提供了亚细胞分辨率。整合分析揭示了技术间的一致性，但也存在平台特异性偏差。这些结果为多模态空间数据的整合提供了参考。

亮点 2｜细胞组成异质性与临床特征关联

通过单细胞数据分析，作者发现转移灶的细胞组成在不同解剖部位和分子亚型间存在显著差异。例如，骨转移灶中成骨细胞和破骨细胞相关程序富集，而肝转移灶中肝细胞样程序出现。免疫细胞组成也随治疗史变化，如接受过化疗的患者T细胞耗竭标志物表达升高。这些发现表明转移灶TME的细胞组成受临床病理特征影响。

亮点 3｜巨噬细胞空间表型与共定位

空间转录组分析揭示了巨噬细胞在转移灶中的空间异质性。作者鉴定出不同的巨噬细胞亚群，并发现它们与特定细胞类型（如T细胞、肿瘤细胞）的共定位模式不同。例如，表达SPP1的巨噬细胞倾向于与肿瘤细胞共定位，而表达C1QC的巨噬细胞更多与T细胞相邻。这些空间特征可能与免疫调节功能相关。

亮点 4｜上皮-间质转化的三种空间表型

作者利用空间数据识别了三种不同的EMT空间表型：完全间质型、部分间质型和上皮型。这些表型在空间上呈现不同的分布模式，并与不同的信号通路活性相关。例如，完全间质型区域表现出TGF-β信号通路激活，而部分间质型则显示混合的上皮和间质特征。这些空间表型可能反映EMT的动态过程。

亮点 5｜T细胞浸润与排斥的表达程序

通过整合单细胞和空间数据，作者鉴定了与局部T细胞浸润或排斥相关的表达程序。在T细胞浸润区域，趋化因子如CXCL9和CXCL10表达升高，而在T细胞排斥区域，则观察到免疫抑制分子如TGFB1和VEGFA的表达。这些程序可能成为改善免疫治疗反应的靶点。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： snRNA-seq、scRNA-seq、Slide-seq、MERFISH、ExSeq、CODEX、H&E染色
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/MacoskoLab/slideseq-tools、https://github.com/MouseLand/cellpose、https://github.com/ZhuangLab/MERlin；本地已克隆：slideseq-tools、MERlin、CellVisionSegmenter、inferCNV、cellpose、CellSeg、ExSeqProcessing、CODEX
• 谁该点开原文： 从事肿瘤微环境、单细胞及空间组学分析的科研人员，尤其是关注乳腺癌转移和免疫治疗的研究者。

带走一句

多模态空间与单细胞整合能揭示转移灶TME的隐藏异质性，为临床分层和免疫治疗提供新视角。