文章标题: 对泛癌单细胞数据的综合分析揭示了预测免疫治疗反应的肿瘤生态系统亚型
PMID: 39277681
主要内容：
（一）免疫治疗反应相关肿瘤生态系统亚型的鉴定
利用单细胞RNA测序(scRNA-Seq)数据，研究者通过EcoTyper机器学习框架识别了肿瘤生态系统亚型（ecotypes）。
选取了5个ICI治疗的scRNA-Seq队列，聚焦5种共同细胞类型：B细胞、CD4 T细胞、CD8 T细胞、巨噬细胞和NK细胞。
通过整合样本量最大和细胞数最多的两个队列，发现3个生态亚型，其中ecotype2与免疫治疗响应显著相关，70%的ecotype2样本为响应者。
该发现通过3个独立验证队列得到重复验证，ecotype2患者的响应率显著高于其他亚型。
（二）泛癌种中ecotype2与抗肿瘤免疫浸润的关联
在TCGA数据库中，分析了11,001个肿瘤样本，涵盖32种癌症类型，成功恢复了3个生态亚型，表明其跨癌种的保守性。
通过ssGSEA分析27个功能基因表达特征，去除组织特异性影响后，发现ecotype2与抗肿瘤免疫浸润高度相关，包括抗肿瘤细胞因子、NK细胞和免疫检查点抑制。
GSEA显示ecotype2样本富集抗肿瘤信号通路（如T细胞激活、趋化和抗原呈递），而促肿瘤信号通路（如缺氧、肿瘤增殖和上皮-间质转化）显著降低。
（三）IRE.Sig免疫治疗响应生态亚型基因签名的构建
利用34个不同癌种的scRNA-Seq数据集，应用EcoTyper恢复生态亚型。
通过交集分析5个ICI响应者中上调基因（Gx）与各数据集中ecotype2上调基因（Gy），获得每个数据集的交集基因集（Gn），最终汇总形成IRE.Sig。
IRE.Sig富集于T细胞趋化、B细胞激活、白细胞激活和T细胞迁移等免疫相关通路。
关键基因如PARP3、TNFRSF9、DKK2、BCL6、CCL5和PVRIG与免疫治疗效果相关。
（四）IRE.Sig在免疫治疗反应预测中的验证与性能评估
选取12个ICI治疗的bulk RNA-Seq队列，分为训练（n=593）、验证（n=148）和测试（n=177）三组。
训练组中采用66种机器学习算法组合，最终选择CoxBoost与Survival-SVM结合模型，平均C-index达0.718。
验证和测试组的AUC分别为0.72和0.71，低风险组患者整体生存显著优于高风险组。
与六个已发表的泛癌免疫治疗响应签名比较，IRE.Sig在测试组表现最佳，且在多个子队列中均表现稳定。
（五）免疫治疗响应生态亚型在临床试验中的预测价值
在NCT03051659随机临床试验中，评估免疫治疗响应生态亚型对乳腺癌患者接受帕博利珠单抗联合依立替康治疗的预测作用。
识别17个细胞状态，发现B细胞状态6（B.cells_S06）与更佳的整体生存高度相关。
B细胞状态6表达CD27和IGHG1，标志为转换记忆B细胞，富集于免疫治疗响应者肿瘤中，具备强抗肿瘤功能。
空间转录组分析显示B细胞状态6靠近三级淋巴结构（TLS），提示其抗肿瘤机制。
试验中B细胞状态6高表达患者在联合治疗组中生存显著延长，验证队列结果一致。
（六）利用CRISPR筛选数据探索潜在协同免疫治疗药物
收集5个CRISPR筛选队列，识别2704个免疫治疗相关基因，分为ICI增强基因（敲除导致耐药）和ICI抑制基因（敲除促进响应）。
结合DepMap数据库筛除肿瘤增殖依赖基因，保留10616个增殖无关基因。
将IRE.Sig基因与ICI增强基因合并为正调控基因集，ICI抑制基因为负调控基因，构建查询签名。
利用Connectivity Map数据库预测潜在协同药物，前10名中4种药物（地西他滨、托拉唑胺、他莫昔芬、磺唑嘌呤）已有免疫调节功能的实验或临床证据。
总结
方法：Ecotyper识别生态位+基因集评分+泛癌单细胞+免疫治疗队列+机器学习+ CRISPR筛选队列
#泛癌单细胞 #机器学习 #免疫治疗 #Ecotyper #生态位
