正刊分享（visium HD）--三阴性乳腺癌在化疗反应中的生态型

作者，Evil Genius

今天我们分享顶刊，包含visium、visium HD、Xenium 5k。

知识积累

临床背景与挑战：

TNBC占乳腺癌的10-20%，缺乏三种受体，治疗选择有限。

早期TNBC中，新辅助化疗（NAC）仍为基础治疗，仅40-50%患者达到病理完全缓解（pCR）；联合免疫检查点抑制剂后pCR率可再提高10-15%。

转移性TNBC主要依靠抗体药物偶联物化疗，但难以预测哪些患者真正获益。

现有研究不足：

患者间异质性影响疗效，但传统基于大块组织的分型无法解析肿瘤微环境（TME）的细胞多样性。

单细胞研究样本量小（仅2-34例），缺乏治疗响应数据，或仅聚焦癌细胞/免疫细胞，统计效能不足。

空间转录组研究基因检测数量少（<50个基因）或分辨率混合，难以精细解析细胞状态。

与正常乳腺组织的差异：

多种细胞（成纤维细胞、血管周细胞、免疫细胞）在肿瘤进程中发生重编程，但与TNBC治疗响应的关系未知。

关于TNBC起源细胞（基底/肌上皮细胞 vs. 管腔分泌/祖细胞 vs. 管腔激素反应细胞），大块组织研究长期存在争议。

结果1、研究设计和TNBC细胞类型

研究设计与样本：

纳入108例未经治疗的早期TNBC患者，来自临床试验ARTEMIS (NCT02276443)。

患者接受新辅助化疗（NAC，含多柔比星、环磷酰胺及紫杉类药物）。

疗效分组：50例达到病理完全缓解（pCR），39例为残留病灶（RD），19例无响应数据。

技术平台：

单细胞RNA测序（scRNA-seq）：使用新鲜组织，1-2小时内解离为活细胞悬液。共获得101例患者的427,857个细胞（平均每例4,236个细胞）。通过CopyKAT基于拷贝数变异（CNAs）鉴定非整倍体细胞（即癌细胞）。

空间转录组学：使用冰冻或FFPE穿刺样本，平台包括Xenium、Visium、VisiumHD。其中39例患者同时具有scRNA-seq和空间转录组数据。

Xenium平台：在44例患者中检测约5,000个靶向基因的表达。

主要细胞类型鉴定（基于无偏聚类）：

癌细胞：存在于97/101例患者中，平均占比17.12%（范围0%-83.7%）。

肿瘤微环境（TME）细胞：分为6大类，包括3种免疫细胞（髓系细胞、T/NK细胞、B细胞）和3种基质细胞（成纤维细胞、内皮细胞、血管周细胞）。

关键发现与空间验证：

虽然pCR与RD组之间的细胞类型总体组成无显著差异（Wilcoxon检验，P>0.05），但两组在多种细胞类型的密度上存在差异，提示需进一步探究更精细的细胞状态组成。

Xenium空间数据：验证了scRNA-seq鉴定的主要细胞类型，并进一步揭示了细胞在组织中的空间分布。

结果2、肿瘤原型与化疗反应

单细胞数据进行伪bulk分析发现四种原型

四种原型的定义与特征：

ARC1 (LumSec样)：高表达管腔分泌型（LumSec）标志物，富集凋亡、NFKB信号、TP53信号及上皮-间充质转化（EMT）通路。

ARC2 (基底样)：同时高表达LumSec和基底标志物，富集EMT和肌生成通路，与残留病灶（RD） 显著相关，且预后较差（总生存期缩短）。

ARC3 (干扰素反应型)：高表达干扰素γ/α反应及炎症通路基因（如IFI27, CXCL10），与病理完全缓解（pCR） 显著相关，且预后较好（总生存期延长）。

ARC4 (AR富集型)：高表达管腔激素反应型（LumHR）标志物及雄激素受体（AR），富集雄激素相关通路。

临床相关性与疗效：

化疗反应：ARC2与RD相关，ARC3与pCR相关（本队列及BrighTNess队列均显著）。

生存预后：ARC2预示更短总生存期，ARC3预示更长总生存期（METABRIC队列）。

年龄：原型分型与患者年龄无关。

潜在靶向治疗提示：

ARC1：高表达EGFR、CDK6。

ARC2：低表达WEE1（G2期检查点基因）。

ARC3：高表达TOP2A、CD274（PD-L1）。

ARC4：高表达AR。

共同点：所有原型均高表达TROP2（与EPCAM水平相当），提示抗TROP2疗法（如ADC药物）可能广泛适用。

结果3、肿瘤元程序与NAC反应

对每位患者的癌细胞进行了元程序分析。

识别了13个癌细胞元程序：涵盖了细胞周期、能量代谢、应激反应、免疫信号和上皮谱系等多个生物学功能。

与化疗反应相关的关键元程序：

M5-干扰素（干扰素信号）、M7-S（细胞周期S期） 和M13-内质网应激：这三个元程序在达到pCR的患者中，细胞频率和特征评分均显著更高，提示这些程序的活跃可能有利于化疗反应。

M6-HLA（人类白细胞抗原）：在pCR患者中特征评分显著更高，但细胞频率无差异，提示是癌细胞中该程序表达强度的上调，而非该类细胞数量的增多。

其他元程序：如基底样、EMT、LumSec、缺氧等，在pCR与RD之间无显著差异。

数据验证：空间转录组（Xenium和Visium）数据进一步证实了M5-干扰素和M7-S程序在pCR组中的显著增加。

在TNBC癌细胞中，高表达干扰素信号、细胞周期S期程序及内质网应激程序的肿瘤，更可能对新辅助化疗产生良好反应（达到病理完全缓解），其中HLA相关程序的上调（而非细胞数量增多）也是有利反应的特征之一。

结果4、免疫细胞状态与NAC反应

对免疫细胞进行亚群分析。

免疫细胞状态与NAC反应

髓系细胞（差异最显著）：

与pCR（良好反应）相关：Mac-IFN（干扰素反应性巨噬细胞）、Mac-lip-C1Q（脂质相关巨噬细胞）。

与RD（耐药/残留）相关：Mac-CCL、Mac-CXCL、Mac-ECM（ECM重塑相关）、Mye-prolif（增殖性髓系细胞）。

T/NK细胞：

单细胞水平分析显示，CD8-Texh（耗竭性CD8 T细胞）在pCR中有增加趋势，CD8-TEM（效应记忆CD8 T细胞）在RD中较高，但校正后未达统计学显著。

免疫检查点基因LAG3和HAVCR2（TIM-3） 在pCR肿瘤中表达更高，且富集于CD8-Texh细胞，提示潜在联合靶向治疗策略。

B细胞：在pCR与RD之间无显著差异。

TNBC特异性免疫细胞（与正常乳腺相比）：

巨噬细胞：Mac-angio、Mac-ECM

T/NK细胞：CD4-TCM、CD4-TIFN、CD8-Teff、CD8-Texh、CD8-TIFN、NK-CD16high、NK-CD16low。

基质细胞状态与NAC反应

与pCR相关：血管周细胞（包括经典周细胞和免疫信号周细胞）、血管平滑肌细胞（VSMCs）。

与RD相关：肿瘤内皮细胞（TECs）（高表达血管生成相关基因）。

TNBC特异性基质细胞（与正常乳腺相比）：

癌相关成纤维细胞（CAFs）、肿瘤内皮细胞（TECs）、增殖性内皮细胞（Endo-prolif） 为TNBC特有。

收缩性血管平滑肌细胞在TNBC中显著增多。

在TNBC微环境中，干扰素反应性巨噬细胞（Mac-IFN）和特定血管周细胞与良好化疗反应（pCR）相关；而促血管生成的肿瘤内皮细胞（TECs）及多种炎性/ECM重塑相关巨噬细胞与耐药/残留病灶（RD）相关。相比之下，T细胞耗竭状态和检查点分子（LAG3、TIM-3）在pCR中表达更高，提示其可能不是耐药标志，而是免疫活化的伴随现象。

结果5、生态型与空间微环境

利用患者体内细胞的丰度构建了癌细胞和TME细胞的共现网络。该网络被划分为8个子网络，称为"生态型"，每个生态型代表一组在患者中同时存在或同时不存在的癌细胞元程序和TME细胞状态。这些生态型提示了协调的生物学相互作用（单细胞数据）。

八个生态型：每个代表一组在患者中协同出现或缺失的癌细胞元程序和TME细胞状态，提示功能上的相互依赖关系。

关键生态型举例：

生态型-3：促肿瘤特征（血管生成/ECM巨噬细胞 + 缺氧/EMT/基底样癌细胞），与RD（耐药） 相关。

生态型-6：类三级淋巴结构（TLS），包含树突状细胞、生发中心细胞、CD4-TFH，与pCR（良好反应） 相关。

生态型-8：干扰素信号轴（干扰素相关免疫细胞 + 干扰素/HLA高表达癌细胞），与pCR相关，并包含细胞周期元程序。

生态型与原型（Archetypes）的对应关系：

ARC1 → 生态型-1（应激 + CD4-TCM）

ARC2 → 生态型-3（基底样 + 血管生成/ECM巨噬细胞）

ARC3 → 生态型-8（干扰素反应主导的"热"微环境）

ARC4 → 生态型-2（胆固醇合成）

生态型与化疗反应的关联：

pCR组：富集生态型-5、-6（TLS样）、-8（含细胞周期程序）

RD组：富集生态型-3（细胞迁移相关）和生态型-4（免疫抑制：Treg、低毒NK、CAF、TEC）

空间微环境（基于Xenium空间定位）

十个空间微环境：部分与生态型高度对应（如N2 ↔ 生态型-8；N9 ↔ 生态型-6 TLS；N4 ↔ 生态型-3），验证了这些生态型存在真实的空间共定位。

其他微环境（如N8癌症基质区）则整合了来自多个生态型的细胞（如EMT癌细胞 + CAFs + TECs），提示这些细胞虽在空间上靠近，但功能协同关系可能更复杂。

总结一下

功能与空间的对应关系：有些生态型（如干扰素相关、TLS相关）代表空间上聚集的功能单元；另一些生态型（如包含CAF和TEC的群落）则可能通过较远距离的相互作用协调功能。

治疗意义：pCR相关的生态型（干扰素主导、TLS、细胞周期活跃）和RD相关的生态型（血管生成/ECM重塑、免疫抑制基质）形成鲜明对比，为联合治疗策略（如化疗+免疫治疗+抗血管生成治疗）提供了理论依据。

结果6、预测NAC反应

基于单细胞数据鉴定的细胞状态和基因特征，成功构建了能够预测TNBC患者新辅助化疗反应及预后的机器学习模型，并明确了关键预测因子的细胞来源。

基于细胞频率的预测模型：

比较了三种模型，逻辑回归（Logreg）表现最佳（AUC = 0.84）。

关键预测特征：主要来自三个癌细胞元程序和两种髓系细胞状态。

重要发现：NAC反应不由单一细胞类型决定，且巨噬细胞的作用突出于其他免疫细胞。

基于13个基因的临床实用模型：

为便于临床推广（大块组织检测），从1,247个反应相关基因中筛选出13个基因构建多变量逻辑回归模型。

独特优势：明确了每个基因的细胞来源（如FCGBP来自Mac-CXCL细胞，SPCS2来自M13-内质网应激癌细胞）。

外部验证结果：

化疗反应预测：在I-SPY2和BrighTNess两个外部队列中，模型能显著区分pCR与RD患者（P < 0.05）。

生存预后预测：在METABRIC和SCAN-B队列中，预测的风险评分与总生存期显著相关，高风险组患者总生存期显著更短。

最后，我们来看看方法

xenium的注释

visium HD的分析

空间niche分析

生活很好，有你更好。