影响因子：6.8
单细胞泛癌生信工作量更大，往往发的文章分数更高，我们也解解读一些单细胞泛癌生信
研究结果：
识别与更好免疫治疗反应相关的生态型
Luca等人开发的EcoTyper框架使学者们能够识别肿瘤生态系统亚型（称为生态型）。在这基础上，作者发现与ICI治疗反应更好的生态型。作者收集了5个ICI scRNA-Seq队列，以识别响应免疫治疗的患者肿瘤生态系统（图a）。由于EcoTyper框架要求发现队列和验证队列中的细胞类型必须相同，所以作者选择了所有5个ICI scRNA-Seq队列中常见的5种细胞类型，包括B细胞、CD4+T细胞、CD8+T细胞、巨噬细胞和NK细胞（图b）。由于Sade等人的队列样本数量最多（n = 25），而Caushi等人的队列细胞数量最多（n = 42535），作者将它们整合为一个实验队列。不管是验证队列还是实验队列，作者发现大多数生态型2的样本是响应者（70%）（图c-d）。与生态型1或生态型3相比，生态型2的患者具有更高比例的响应者。
利用泛癌TCGA队列分析生态型2与抗肿瘤免疫浸润的潜在联系
为了探讨3种生态型是否在多种癌症中具有保守性，作者在32种癌症类型的总共11,001个TCGA肿瘤中探究了这3种生态型。结果显示，这3种生态型在32种不同的癌症中均可可靠地复现出来（图a-b）。于是作者应用ssGSEA方法计算了11,001个TCGA肿瘤中的27个特征评分。由于细胞组成固有的显著差异，这些特征评分产生了明确的疾病特异性亚集（图a）。作者观察到生态型2与抗肿瘤免疫浸润呈现积极的关联，包括抗肿瘤细胞因子、NK细胞和检查点抑制作用（图c）。随后，作者应用GSEA评估了各类癌症中的多种肿瘤相关通路的富集情况，结果表明，T细胞激活、T细胞趋化以及抗原处理和呈递等抗肿瘤信号通路在归类为生态型2的样本中富集（图d）；而促肿瘤信号通路，如低氧、肿瘤增殖率以及上皮-间质转化在这些样本中减少（图d）。
通过泛癌scRNA分析开发IRE.Sig
上文提及生态型2是个在免疫治疗中重要的亚型。因此接下来，作者开发一个精确反映生态型2特征的泛癌基因特征，命名为免疫治疗响应生态型特征（IRE.Sig）。为此，作者使用了跨多种癌症类型的34个scRNA-Seq数据集来开发IRE.Sig（图a）。作者通过EcoTyper在这些34个数据集中恢复了我们的生态型，将细胞分为3个生态型。前文提及的5个ICI scRNA-Seq队列中响应者上调的基因（LogFc ≥ 0.25 和 FDR < 0.05）被认为是差异基因‘Gx’。在每个scRNA-Seq数据集中生态型2中上调的基因（logFC ≥ 0.25 和 FDR < 0.05）被视为差异基因‘Gy’。为了收集IRE.Sig基因，‘Gx’和‘Gy’的交集产生了每个数据集的差异基因‘Gn’。最后，作者研究了IRE.Sig中富集的生物功能，结果表明，这些通路主要涉及T细胞趋化、B细胞激活、白细胞活化和T细胞迁移（图b-c）其中里面的多个基因已被报道与更好的免疫治疗效果相关，如PARP3、TNFRSF9、DKK2、BCL6、CCL5和PVRIG。
使用IRE.Sig预测免疫治疗反应
鉴于生态型2与ICI scRNA-Seq队列中免疫治疗反应率的高度相关性，作者进一步研究了IRE.Sig的预测价值。作者使用了12个包含免疫治疗结果的ICI bulk RNA-Seq队列（图a）。在这些12个队列中，作者将它们分为三组：训练队列（n = 593）、验证队列（n = 148）和测试队列（n = 177）。在训练队列中，作者利用66种机器学习算法组合的预测模型，计算每种算法组合在验证和测试队列中的C-index。最终，作者选择了CoxBoost和Survival-SVM模型，该模型在验证队列和测试队列中的C-index分别为0.718（图b）。为了评估IRE.Sig模型对总生存期（OS）的预测能力，作者将验证集和测试集的患者按预测的“R”和“NR”分为低风险和高风险组。Kaplan-Meier生存曲线显示，在验证集和测试集中，低风险亚组的OS显著更长（图d）。此外，作者还评估了6个泛癌免疫治疗反应预测基因特征（TIS.Sig、C-ECM-up.Sig、GEP.Sig、NLRP3.Sig、PD-L1.Sig和IFNG.Sig），以比较IRE.Sig与这些特征的预测精度。结果表明，IRE.Sig在测试队列中的表现最佳，AUC值为0.71（图c）。
使用CRISPR筛选数据探索与免疫治疗协同的潜在药物
先前的实验和临床研究表明，联合多种治疗策略可以显著提高患者的ICI响应比例，并带来显著的生存优势。因此，作者首先旨在收集与免疫治疗相关的基因，以筛选潜在的药物。系统地收集了来自5个CRISPR筛选队列的数据（图a）。因此，这些筛选可以识别潜在的调节因子，基因敲除后可能促进免疫治疗的抗药性（称为ICI增强基因）或敏感性（称为ICI抑制基因）。在这些CRISPR数据集中共记录了2704个基因。随后，作者根据基因的平均z分数对这些基因进行了排名。z分数较高的基因为ICI增强基因，表示敲除这些基因与ICI抗药性相关（图b）。作者总共发现了86个ICI增强基因和103个ICI抑制基因。接着，考虑到特定基因的缺失可能直接影响癌细胞存活而不涉及ICI治疗的作用，作者使用了DepMap网站以避免由关键基因引入的潜在偏差。随后，作者计算了1101个癌症细胞系的平均CERES评分，CERES评分范围为-0.25到0.25的基因被识别为与肿瘤增殖无关的基因（n = 10616）（图c）。由于IRE.Sig能够预测免疫治疗的反应，IRE.Sig中的基因可能参与了免疫治疗的调控。将IRE.Sig与上述基因结合有助于探索与免疫治疗协同的潜在药物。作者还将IRE.Sig基因和ICI增强基因整合为一个基因列表，命名为正调节因子。理论上，增强这些基因的功能可能与增强基于ICI的免疫治疗响应有关，负调节因子列表则来自于ICI抑制基因（图d）。为了识别与免疫治疗协同的潜在药物，作者在CMap数据库中输入了查询特征（图e）。在前10名药物中，有4个候选药物（包括地西他滨、甲苯磺丁脲、他莫昔芬和柳氮磺吡啶）通过实验或临床研究被报道，表明了预测结果的可靠性。
FAM109B与LGG基因组变异的相关性
NCT03051659试验旨在探讨Pembrolizumab（派姆单抗）和Eribulin（艾立布林）联合治疗是否能够比单独使用艾立布林更好地提高乳腺癌患者的OS。为了确定作者的免疫治疗响应生态型是否能够揭示Pembrolizumab联合艾立布林的临床获益，作者在该临床试验中评估了17种细胞状态（图a）以及它们与OS之间的样本水平相关性（图b）。作者研究发现B细胞状态6（B.cells_S06）与更好的OS高度相关。在发现队列的scRNA-seq分析中，B.cells_S06相较于其他B细胞状态表达了更高水平的CD27和IGHG1（图c）最后使用带有三级淋巴结构的两个人类肿瘤切片，作者发现B.cells_S06富集区显著接近三级淋巴结构（图d–g）。
研究总结：
这篇文章围绕肿瘤生态系统和免疫治疗的关系展开，研究了不同的肿瘤细胞状态、它们的相互作用模式，以及这些生态系统特征对免疫治疗反应的影响。通过单细胞RNA测序（scRNA-Seq）和机器学习框架EcoTyper，作者识别出一种与免疫治疗反应密切相关的肿瘤生态型，并开发了一个新的免疫治疗响应生态型特征（IRE.Sig），该特征有望用于预测患者对免疫治疗的反应。总的来说，这篇文章的思路很好，从发现ICI相关的生态2，到验证该生态2相关基因并推广至泛癌，通过单细胞RNA测序、机器学习分析和CRISPR筛选，揭示了肿瘤生态系统对免疫治疗反应的影响，为未来的癌症免疫治疗提供了新的思路。
