IF31.7｜空间多组学揭示NSCLC免疫治疗耐药与响应特征

空间蛋白组+空间转录组锁定肿瘤/基质区室特异细胞与基因签名，预测PD-1免疫治疗结局。

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

晚期非小细胞肺癌（NSCLC）对PD-1免疫治疗响应差异大，超过50%患者出现耐药，约40%即使PD-L1高表达也原发耐药。免疫治疗还可能引发严重甚至致命的免疫相关毒性。因此，亟需可靠的生物标志物来筛选获益人群。空间多组学技术（如CODEX空间蛋白组和DSP-GeoMx空间转录组）能够在保留组织空间结构的前提下，同时解析肿瘤免疫微环境（TIME）中的细胞表型和基因表达，为理解免疫治疗响应与耐药的机制提供了新视角。已有研究表明，空间分子模式与临床结局相关，但如何系统性地整合空间蛋白和转录组数据来构建稳健的预测模型仍是一个挑战。

科学问题

卡在哪里： 以往研究多基于单一组学或整体组织分析，忽略了空间区室（肿瘤巢vs.基质）对免疫治疗结局的差异化影响。此外，直接整合蛋白和RNA数据存在非线性依赖难题，缺乏从细胞表型到基因表达的分层建模策略。

本文要回答： 本研究旨在开发一个稳健的机器学习框架，利用空间多组学数据训练细胞类型和基因签名，预测NSCLC患者一线PD-1免疫治疗的PFS和OS，并在独立队列中验证其泛化能力。

技术路线

作者主要用了：CODEX空间蛋白组、DSP-GeoMx空间转录组、CIBERSORTx去卷积、LASSO-Cox模型。

作者首先利用CODEX空间蛋白组对Yale训练队列的NSCLC组织进行29-plex蛋白标记，鉴定出14种细胞类型，并分别计算肿瘤和基质区室中的细胞比例。然后，基于这些细胞比例，使用带符号约束的LASSO-Cox回归构建耐药和响应细胞类型签名，并在UQ队列中验证。接着，从耐药/响应相关细胞类型的基因集中，利用空间转录组数据（DSP-GeoMx）训练细胞到基因的签名，进一步在UQ和Greek两个独立队列中验证。最后，通过空间邻域分析和细胞互作分析，揭示与治疗结局相关的空间生态位特征。

图 1　Fig. 1。图1展示了三个NSCLC队列的纳入排除流程（a）和整体研究设计（b）。Yale队列作为训练集，UQ和Greek队列作为验证集。研究从空间蛋白组（CODEX）出发，构建细胞类型签名，再结合空间转录组（DSP-GeoMx）训练基因签名，最后在独立队列中验证。

核心亮点

亮点 1｜肿瘤区室耐药细胞签名

空间蛋白组分析发现，在肿瘤区室中，增殖性肿瘤细胞（PanCK+Ki67+）、粒细胞和血管内皮细胞的比例与较差的2年PFS显著相关。基于这三种细胞类型构建的耐药签名在Yale训练队列中HR=3.8（P=0.004），在UQ验证队列中HR=1.8（P=0.05），表明肿瘤巢内的增殖、炎症和血管生成共同构成免疫治疗耐药微环境。空间邻域分析进一步显示，增殖性肿瘤细胞与粒细胞和内皮细胞存在显著空间互作，提示这些细胞协同促进肿瘤进展。

图 2　Fig. 2。图2展示了CODEX蛋白组数据的细胞分型结果。a显示一个代表性ROI中不同细胞表型的空间分布；b列出用于鉴定细胞类型的29个标记物；c和d分别展示肿瘤和基质区室的细胞组成；e和f显示在Yale和UQ队列中，肿瘤区室的粒细胞和增殖性肿瘤细胞在短PFS患者中富集；g和h显示基质区室的M1/M2巨噬细胞在长PFS患者中富集。

亮点 2｜基质区室响应细胞签名

在基质区室中，M1巨噬细胞、M2巨噬细胞和CD4 T细胞的比例与较好的PFS相关。基于这三种细胞类型构建的响应签名在Yale训练队列中HR=0.4（P=0.019，5年PFS），在UQ验证队列中HR=0.49（P=0.036），表明基质中的巨噬细胞和CD4 T细胞协同介导抗肿瘤免疫。值得注意的是，该响应签名与OS无显著关联，提示其反映的是早期治疗动态而非长期生存。

图 3　Fig. 3。图3展示了细胞比例与2年PFS的单变量Cox分析结果。a显示肿瘤区室中粒细胞、增殖性肿瘤细胞和血管细胞与较差PFS相关（未通过BH校正）；b是一个短PFS患者的代表性ROI，富含粒细胞和血管；c显示基质区室中M1/M2巨噬细胞和CD4 T细胞与较好PFS相关；d-f展示肿瘤区室耐药签名的KM曲线，训练集HR=3.8（P=0.004），验证集HR=1.8（P=0.05）；g-i展示基质区室响应签名的KM曲线，训练集HR=0.4（P=0.019），验证集HR=0.49（P=0.036）。

亮点 3｜巨噬细胞PD-L1表达与响应相关

空间蛋白组数据显示，M1（CD68+）和M2（CD163+）巨噬细胞上的PD-L1表达水平高于增殖性肿瘤细胞。在Yale队列中，非进展者巨噬细胞PD-L1表达显著更高，而肿瘤细胞PD-L1表达与PFS无一致关联。合并Yale和UQ队列后，巨噬细胞PD-L1表达与PFS显著相关，而肿瘤细胞PD-L1仍不显著。回归分析表明，PD-L1表达与巨噬细胞比例强相关（P<0.001），但与肿瘤细胞比例无关（P=0.17），支持将巨噬细胞PD-L1纳入预测模型。

图 4　Fig. 4。图4展示了空间邻域和细胞互作分析。a和b分别显示响应和耐药模型的Voronoi图，响应模型区域富集M2巨噬细胞，耐药模型区域富集血管、PD-L1+肿瘤细胞和增殖性肿瘤细胞；c显示鉴定出的10个细胞邻域；d显示增殖性肿瘤细胞邻域在进展者中更常见（P=0.07）；e显示增殖性肿瘤细胞与粒细胞和内皮细胞显著互作；f显示非进展者中M2-CD4和M2-CD8 T细胞互作更强；g-j显示巨噬细胞PD-L1表达高于肿瘤细胞，且非进展者巨噬细胞PD-L1更高。

亮点 4｜耐药基因签名跨队列验证

基于耐药细胞类型（增殖性肿瘤细胞、粒细胞、血管）的基因集，利用空间转录组数据训练出8基因耐药签名：KRT7, KRT18, EFNA1, SERINC2, FZD6, CD24, CCND3, S100A9。该签名在Yale训练队列中HR=5.3（P<0.001），在UQ队列HR=2.2（P=0.036），在Greek队列HR=1.7（P=0.042）。这些基因富集于EMT、细胞粘附调控和细胞迁移等通路，提示肿瘤区室的侵袭和转移特性驱动免疫治疗耐药。

图 5　Fig. 5。图5展示了利用CIBERSORTx对空间转录组数据进行去卷积验证蛋白组发现的结果。a是去卷积流程示意图；b显示M2巨噬细胞比例在长PFS患者中更高；c显示M2巨噬细胞比例在非进展者中显著升高（P=0.02），与蛋白组结果一致。

亮点 5｜响应基因签名跨队列验证

基于响应细胞类型（M1/M2巨噬细胞、CD4 T细胞）的基因集，训练出8基因响应签名：SIGLEC1, TLR2, CXCL9, CD81, MRC1, CCL8, CCL13, FCGR1A。该签名在Yale训练队列中HR=0.22（P=0.005），在UQ队列HR=0.38（P=0.034），在Greek队列HR=0.56（P=0.041）。这些基因富集于白细胞激活和淋巴细胞激活等免疫相关通路，表明基质区室的免疫激活状态是响应免疫治疗的关键。

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： CODEX空间蛋白组、DSP-GeoMx空间转录组、CIBERSORTx去卷积、LASSO-Cox模型
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事肿瘤免疫微环境、空间组学或免疫治疗生物标志物研究的科研人员。

带走一句

空间区室（肿瘤vs.基质）决定了免疫治疗耐药与响应的细胞和基因特征；从细胞表型到基因表达的分层建模策略可跨队列稳健预测结局。