肺癌是全球死亡率排名第一的癌症，其发病率及死亡率仍在逐年上升，已成为对人类健康威胁最大的癌症之一[1]。
非小细胞肺癌占所有肺癌的70%-80%，是最常见的肺癌亚型，其最重要的特征为具有很高的异质性[2,3]。
肿瘤异质性与其发生、转移、进展及治疗反应密切相关，肿瘤免疫微环境是非小细胞肺癌异质性的主要来源[4,5]。因此，深入解析非小细胞肺癌免疫微环境的空间景观，对于探明其发病机制、筛选疾病标志物及开发新型治疗策略至关重要。
(相关资料图)
单细胞测序技术的发展为揭示肿瘤分子异质性开辟了新的道路，对于解析肿瘤免疫微环境中的复杂分子特征极其有利[6]，那可否通过高分辨率单细胞测序揭示非小细胞肺癌的免疫微环境特征，预测疾病进展并辅助临床决策呢？
近日，由麦吉尔大学Logan A. Walsh教授领衔的研究团队，在《自然》杂志发表了一项重要研究成果。这项研究利用高度多重成像质谱细胞术（IMC），表征了416例非小细胞肺癌样本的免疫微环境特征，深入解析了160万个细胞，分析了细胞免疫谱系和激活状态与患者临床结局的相关性。
更重要的是，他们还基于上述数据构建了可以指导非小细胞肺癌患者术后管理的神经网络模型，实现了仅以1m㎡肿瘤组织的测序结果预测患者疾病进展的目的[7]。
总之，这项研究解析了非小细胞肺癌复杂的免疫微环境特征，并基于此构建模型来预测疾病进展，辅助临床决策。
文章封面截图
为解析非小细胞肺癌免疫微环境的特征，Walsh团队使用IMC技术对416例肿瘤样本进行了检测（图1），共计检测到1644178个细胞，并对肿瘤细胞、内皮细胞、免疫细胞进行标记分类。
图1. 使用IMC技术解析非小细胞肺癌免疫微环境特征
分析结果表明，高级别实体瘤中的免疫浸润率较高（44.6%），且几种组织亚型（高级别实体瘤、微乳头组织、腺泡组织、乳头组织和附壁结构）中总淋巴细胞的数目没有显著差异，而髓系细胞变化较大。
在髓系细胞中，巨噬细胞是免疫微环境中最常见的细胞群，且实体瘤中CD163阳性（M2型巨噬细胞标志）的巨噬细胞富集程度最高。此外，CD163阳性的巨噬细胞与Treg及CD8阳性T细胞都有较强的相关性，表明巨噬细胞和T细胞群在非小细胞肺癌免疫微环境中存在潜在相互作用。
随后，他们分析了这些免疫细胞与临床病理变量之间的相关性，并发现CD163巨噬细胞频率与实体瘤临床预后负相关，而B细胞频率与患者生存预后正相关。
此外，他们还发现与低级别组织亚型相比，高级别肿瘤中中性粒细胞和内皮细胞与癌细胞相互作用显著增强（图2），且这种特征与肿瘤的转移行为密切相关；且高级别肿瘤中内皮细胞与CD163阳性巨噬细胞等免疫细胞的相互作用更为明显，表明肿瘤免疫微环境中，免疫细胞与肿瘤细胞存在明显的相互作用。
图2.五种组织学亚型中肿瘤免疫微环境中细胞间的相互作用
为进一步揭示免疫微环境特征的临床意义，Walsh团队分析了微环境中细胞表型与生存结局的相关性，发现增殖性内皮细胞群（Ki67阳性）的高频率预示着更差的生存结局（图3a）。
由于内皮增殖是肿瘤微环境缺氧反应的基础，缺氧又是肿瘤侵袭性强的主要特征，且内皮细胞又与中性粒细胞具有明显的相互作用，因此缺氧标志物HIF-1α阳性的中性粒细胞比例与患者生存预后负相关（图3b）。
此外，淋巴细胞群表型分析显示，CD4阳性T细胞亚群内的活性ERK信号传导预示着更好的生存预后（图3c）。
图3. 微环境中细胞亚型与患者生存预后的相关性
由于不同的细胞会相对集中的分布于肿瘤组织的不同区域，他们根据空间定义的细胞邻域（CN），将肿瘤组织划分为编号为CN1-CN10的10个区域，并发现CN3、CN4及CN9的高比例与患者生存期延长显著相关（图4）。
图4. 不同肿瘤区域比例与患者生存预后的相关性
从上述结果来看，肿瘤免疫微环境中的很多特征可有效预测患者生存预后。因此，他们基于免疫微环境的空间特征构建了神经网络模型（图5），以期预测非小细胞肺癌患者生存预后。
图5. 基于免疫微环境特征构建神经网络模型
随后，Walsh团队拟利用该模型解决一个临床难题：利用1m㎡（小于肺癌活检穿刺面积）肿瘤组织的测序结果，预测IA-IB期肺癌患者术后进展。
最后发现，以CD14、CD16、CD94、αSMA和CD117这五种标志物的组合进行预测时，其准确率可达90.8%，在此基础上加入CD20后，准确率进一步提高至93.3%（图6）。
以上结果表明，这种基于肿瘤免疫微环境的深度学习模型可有效预测IA-IB非小细胞肺癌的疾病进展，辅助其临床决策。
图6. 神经网络模型的预测准确率
总之，这项研究通过一种新颖的空间组学技术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
[1] Siegel RL, Miller KD, Wagle NS, et al. Cancer statistics, 2023. CA Cancer J Clin. 2023 Jan;73(1):17-48.
[2] Ettinger DS, Wood DE, Aisner DL, et al. Non-Small Cell Lung Cancer, Version 3.2022, NCCN Clinical Practice Guidelines in Oncology. J Natl Compr Canc Netw. 2022 May;20(5):497-530.
[3] Marjanovic ND, Hofree M, Chan JE, et al. Emergence of a High-Plasticity Cell State during Lung Cancer Evolution. Cancer Cell. 2020 Aug 10;38(2):229-246.e13.
[4] Leader AM, Grout JA, Maier BB, et al. Single-cell analysis of human non-small cell lung cancer lesions refines tumor classification and patient stratification. Cancer Cell. 2021 Dec 13;39(12):1594-1609.e12.
[5] Gridelli C, Rossi A, Carbone DP, et al. Non-small-cell lung cancer. Nat Rev Dis Primers. 2015 May 21;1:15009.
[6] Liu B, Hu X, Feng K, et al. Temporal single-cell tracing reveals clonal revival and expansion of precursor exhausted T cells during anti-PD-1 therapy in lung cancer. Nat Cancer. 2022 Jan;3(1):108-121.
[7] Sorin M, Rezanejad M, Karimi E, et al. Single-cell spatial landscapes of the lung tumour immune microenvironment. Nature. 2023 Feb 1.
