最新11+生信，聚焦基质细胞-免疫细胞的互作网络。本文实验完美证实生信结果，干湿结合恰到好处！

一、文章信息

• 发表杂志名称：Genome Medicine

• 中文标题：空间重编程衍生的GPNMB+巨噬细胞通过与COL6A3+成纤维细胞相互作用增强胶质母细胞瘤血管纤维化

• 英文标题：Spatial‑reprogramming derived GPNMB+ macrophages interact with COL6A3+ fibroblasts to enhance vascular fibrosis in glioblastoma

• 影响因子：11.2

• 发表日期：2025年10月31日

二、研究概述

胶质母细胞瘤（GBM）是恶性程度最高的原发性中枢神经系统肿瘤，新辅助治疗（免疫检查点阻断联合抗血管生成治疗）对部分患者疗效有限，存在治疗抵抗问题。本研究整合单细胞转录组、空间转录组数据，结合多重免疫组化、原子力显微镜等实验技术，构建GBM基质细胞图谱，发现COL6A3+肿瘤相关成纤维细胞（TAFs）在治疗无应答患者中显著富集。该细胞亚群通过分泌TGFβ3和CSF1，将抗肿瘤表型的ICAM1+单核细胞衍生巨噬细胞（MDMs）空间重编程为促肿瘤的GPNMB+ MDMs；而GPNMB+ MDMs通过GPNMB-ITGB5相互作用，进一步促进COL6A3+ TAFs介导的血管纤维化，形成物理屏障阻碍T细胞浸润，最终导致治疗失败。研究提出以西仑吉肽（cilengitide）靶向COL6A3+ TAFs的潜在治疗策略，并通过10种机器学习算法构建预后模型，验证了COL6A3+ TAFs和GPNMB+ MDMs对治疗应答和患者生存的预测价值。

三、研究目标与解决的实际问题

3.1 核心研究目标

1. 解析GBM肿瘤微环境（TME）中基质细胞的组成与空间分布特征，明确治疗应答与无应答患者的细胞亚群差异。

2. 揭示COL6A3+ TAFs与MDMs亚群的相互作用机制，阐明其在治疗抵抗中的作用。

3. 开发针对GBM新辅助治疗抵抗的预后标志物和潜在治疗靶点。

3.2 解决的实际问题

1. 解释GBM患者对“免疫检查点阻断+抗血管生成治疗”联合方案产生抵抗的关键机制，填补当前对GBM基质细胞（尤其是TAFs）功能研究的空白。

2. 提供可用于预测GBM患者治疗应答和生存预后的分子标志物组合，为临床治疗方案选择提供参考。

3. 提出靶向COL6A3+ TAFs的治疗策略，为克服GBM治疗抵抗提供新方向。

四、研究方法与目的

4.1 生信分析方法及目的

4.2 实验验证方法及目的

五、实验/分析设计与结果解读（按Figure顺序）

5.1 Figure 1：GBM基质细胞图谱及COL6A3+ TAFs的特征

• 设计逻辑：首先通过整合多队列单细胞数据，系统性解析GBM基质细胞的异质性，重点关注治疗应答与无应答患者的基质细胞亚群差异。

• 核心结果：

1. 成功构建包含6个亚群的GBM基质细胞图谱（CHI3L1+ TAF、COL6A3+ TAF、TYMS+ TAF、MKI67+ TAF、平滑肌细胞、周细胞）。

2. COL6A3+ TAFs高表达胶原蛋白基因（COL6A3、COL3A1等），功能富集于细胞外基质（ECM）组织和胶原纤维组装，具有基质成纤维细胞特征。

3. 治疗应答患者中COL6A3+ TAFs比例显著降低，无应答患者中富集；且COL6A3表达水平随胶质瘤恶性程度升高而增加（GBM中最高，正常脑组织中几乎不表达）。

4. COL6A3+ TAFs高浸润与GBM患者更短的总生存期相关，可作为疾病进展的指示标志物。

   
   

5.2 Figure 2：MDMs亚群的异质性及功能差异

• 设计逻辑：基于巨噬细胞在GBM微环境中的核心作用，进一步解析MDMs的亚群分类及与治疗预后的关联，验证其功能差异。

• 核心结果：

1. 将MDMs分为8个亚群，其中ICAM1+ MDMs和GPNMB+ MDMs具有相反的预后特征：ICAM1+ MDMs与良好预后相关，GPNMB+ MDMs与不良预后相关。

2. 功能特征：ICAM1+ MDMs高表达炎症和血管生成相关基因，可激活T细胞；GPNMB+ MDMs高表达缺氧应答基因，诱导T细胞耗竭，呈M2样极化表型。

3. 分布差异：治疗应答患者中ICAM1+ MDMs富集，复发GBM患者中GPNMB+ MDMs比例最高；HIF-1α在GPNMB+ MDMs中高表达，对缺氧应激更敏感。

   
   

5.3 Figure 3：细胞亚群的空间共定位特征

• 设计逻辑：结合空间转录组和多重免疫组化，明确关键细胞亚群在GBM不同病理区域的空间分布，为细胞互作提供空间依据。

• 核心结果：

1. 病理区域定位：MES样肿瘤细胞与GPNMB+ MDMs共定位于坏死周围区（PAN），COL6A3+ TAFs与ICAM1+ MDMs共定位于微血管增生区（MVP）。

2. 空间验证：通过mIHC证实，α-SMA标记的血管周围区域富集ICAM1+ MDMs和COL6A3+ TAFs，GLUT1标记的坏死周围区富集GPNMB+ MDMs，验证了空间转录组的分析结果。

3. 提出GBM独特的空间生态位：MVP区（COL6A3+ TAFs+，ICAM1+ MDMs）和PAN区（GPNMB+ MDMs+MES样肿瘤细胞），为后续互作机制研究奠定基础。

   
   

5.4 Figure 4：COL6A3+ TAFs介导MDMs重编程的分子机制

• 设计逻辑：通过轨迹分析预测MDMs分化路径，结合细胞互作分析筛选关键调控因子，阐明COL6A3+ TAFs对MDMs重编程的机制。

• 核心结果：

1. 轨迹分析：MDMs存在“单核细胞→ICAM1+ MDMs→GPNMB+ MDMs”的分化轨迹，GPNMB+ MDMs处于分化终末阶段。

2. 关键调控因子：Nichenet分析显示，COL6A3+ TAFs分泌的TGFβ3和CSF1是介导MDMs重编程的核心细胞因子，其受体（TGFBR1/TGFBR2、CSF1R）在ICAM1+ MDMs上高表达。

3. 细胞互作强度：治疗无应答患者中，COL6A3+ TAFs与MDMs的互作强度显著高于应答患者，提示该互作与治疗抵抗相关。

5.5 Figure 5：MDMs重编程的实验验证

• 设计逻辑：通过体外细胞实验、类器官模型验证TGFβ3和CSF1在MDMs重编程中的作用，证实COL6A3+ TAFs的调控功能。

• 核心结果：

1. 体外验证：COL6A3+ TAFs条件培养基（TAF-CM）可诱导ICAM1+ MDMs表达GPNMB，下调ICAM1；加入TGFβ3抗体或CSF1R抑制剂（sotuletinib）可逆转该过程。

2. 空间梯度验证：从MVP区到PAN区，ICAM1+ MDMs标志物基因表达逐渐降低，GPNMB+ MDMs标志物基因逐渐升高，符合重编程的空间趋势。

3. 类器官模型：GBO与COL6A3+ TAFs共培养后，GPNMB/ICAM1表达比显著升高，证实COL6A3+ TAFs在体内可驱动MDMs重编程。

5.6 Figure 6：GPNMB-ITGB5互作介导血管纤维化

• 设计逻辑：解析GPNMB+ MDMs对COL6A3+ TAFs的反向调控作用，明确血管纤维化的分子机制及T细胞排斥的原因。

• 核心结果：

1. 互作分子对：通过基因集交集分析，确定ITGB5是COL6A3+ TAFs上与GPNMB结合的关键受体（GPNMB-ITGB5互作）。

2. 功能验证：外源性sGPNMB可促进COL6A3+ TAFs分泌胶原蛋白，增加基质硬度（AFM检测）；西仑吉肽（cilengitide）可阻断GPNMB-ITGB5互作，抑制胶原蛋白分泌和血管纤维化。

3. T细胞排斥：多重免疫组化显示，无应答患者血管周围COL6A3胶原沉积密集，形成物理屏障阻碍T细胞浸润，是治疗失败的关键原因。

5.7 Figure 7：预后模型与免疫治疗应答预测

• 设计逻辑：基于COL6A3+ TAFs和GPNMB+ MDMs的特征基因，利用机器学习构建预后模型，验证其在多队列中的预测价值。

• 核心结果：

1. 最优模型：StepCox（forward）+RSF组合模型在TCGA、CGGA等多队列中表现最佳，C指数和时间依赖ROC曲线证实其高准确性。

2. 预后价值：高风险评分（COL6A3+ TAFs和GPNMB+ MDMs高浸润）患者总生存期显著缩短，在肾癌、黑色素瘤等免疫治疗队列中同样适用。

3. 免疫治疗预测：高风险患者TIDE评分更高，治疗应答率更低，证实COL6A3+ TAFs和GPNMB+ MDMs是免疫治疗抵抗的关键标志物。

5.8 Figure 8：机制总结图

• 核心内容：凝练全文核心机制，提出“COL6A3+ TAFs-MDMs正反馈环路”：

1. COL6A3+ TAFs（MVP区）分泌TGFβ3和CSF1，将ICAM1+ MDMs重编程为GPNMB+ MDMs；

2. GPNMB+ MDMs（PAN区）通过GPNMB-ITGB5互作，促进COL6A3+ TAFs介导的血管纤维化；

3. 纤维化血管形成物理屏障，阻碍T细胞浸润，导致新辅助治疗失败；

4. 西仑吉肽可阻断该环路，为治疗提供靶点。

六、研究总结

本研究通过多组学整合分析与实验验证，系统解析了GBM治疗抵抗的核心机制：COL6A3+ TAFs与MDMs亚群形成的正反馈环路驱动血管纤维化和T细胞排斥。研究首次明确COL6A3+ TAFs作为基质成纤维细胞亚群，在无应答患者中富集并通过TGFβ3-CSF1信号重编程MDMs；同时发现GPNMB-ITGB5互作介导的反向调控，完善了“基质细胞-免疫细胞”的互作网络。构建的机器学习预后模型为临床预后评估和治疗应答预测提供了可靠工具，而西仑吉肽靶向COL6A3+ TAFs的策略为克服GBM治疗抵抗提供了新方向。该研究不仅填补了GBM基质细胞功能研究的空白，更揭示了肿瘤微环境中细胞互作的空间特异性和动态调控特征，为恶性脑肿瘤的精准治疗提供了重要理论依据和转化基础。