Nature | IMC 揭秘肺癌免疫微环境的单细胞空间景观

单细胞技术以其精准的分辨率揭示了肿瘤免疫微环境的复杂性。大多数临床诊疗依赖于肿瘤亚型的组织病理学分层，但对这些分层的亚组中单细胞表型的空间图谱了解甚少。

近期，加拿大麦吉尔大学古德曼癌症研究所的Logan Walsh团队在《Nature》上发表了名为“Single-cell spatial landscapes of the lung tumour immune microenvironment”的研究。

茵菲生物可提供一站式稳定、可靠的成像质谱流式（IMC）服务平台。

01-研究思路

02-主要研究结果

2.1 肺腺癌免疫微环境空间谱特征

为了在空间上描述肺癌免疫微环境的细胞谱，研究人员通过 IMC 扫描了416名肺腺癌患者的样本，将每个样品1mm2的区域制成组织芯片后，用35个抗体panel（涵盖了免疫分型、组织结构、增殖、信号通路分子等标志物）进行染色。

研究人员在生成的图片上共检测到超过160万个细胞，通过聚类分析将其归为肿瘤细胞、内皮细胞和14种不同的免疫细胞亚群（茵菲生物可提供 IMC 40个 panel 组合）。

随后，研究人员探究单个免疫细胞类型频率与临床或病理变量之间的关系。发现肥大细胞的比例升高与延长生存期有关，而 CD163+ 巨噬细胞、非经典单核细胞和中间单核细胞在实体瘤中高比例则生存较差。

研究人员还分析了肿瘤微环境中细胞表型与生存之间的关系，发现 HIF1α+中性粒细胞亚群的增多与更差的总体生存率显著相关。增殖性Ki-67+内皮细胞和辅助性T细胞中ERK通路激活则分别对应更短与更长的生存时间。

在充分研究了免疫微环境中细胞亚群与其位置关系的基础上，研究人员接下来通过分析每个细胞与其相邻的十个细胞，将细胞分为不同的邻域（CN）类别。对邻域类别和生存时间的分析证实了特定细胞间相互作用与生存率的关系，再次说明免疫微环境中细胞的组织关系蕴含独特的预后价值。

2.2 使用深度学习预测患者生存结局

最后，研究人员使用机器深度学习的方法进行建模和测试，表明细胞数量本身对临床变量不能进行较好预测，而在模型中输入单细胞位置信息则显著提升了对所有临床变量的预测效果。

03-总结

这项研究通过 IMC 对非小细胞肺癌的免疫微环境做了深度解析，确定了与患者生存相关的分子特征及空间特征，并以此为基础构建了可预测非小细胞肺癌术后疾病进展的模型，对非小细胞肺癌的临床决策有重要指导意义。

【参考文献】

Sorin M, Rezanejad M, Karimi E, et al. Single-cell spatial landscapes of the lung tumour immune microenvironment. Nature. 2023.