Commun Biol & J Pathol Clin Res | 定量解析腫瘤微環(huán)境——探究殺傷性T淋巴細胞運動模式與腫瘤內細胞空間分布特征
研究背景與意義
腫瘤微環(huán)境是一個高度異質的復雜系統(tǒng),除癌細胞外,還包含免疫細胞、基質細胞等多種非癌細胞。它們在空間上的分布及其相互作用,不僅塑造了腫瘤的發(fā)生發(fā)展過程,也深刻影響了患者對治療的響應。近年來,免疫治療在部分癌癥中取得積極進展,但在多數實體瘤中,仍面臨免疫細胞浸潤受限和局部免疫抑制等難題,嚴重制約了其療效的進一步提升。因此,定量解析組織切片中的細胞空間分布信息、深入理解免疫細胞的運動行為特征等,是推動實體瘤精準診療的重要方向。
隨著活細胞成像、轉錄組測序和深度學習等技術的快速發(fā)展,研究者開始從空間分布和時空動態(tài)兩個層面,定量刻畫腫瘤微環(huán)境中的細胞空間分布與功能。然而,當前研究仍面臨兩大挑戰(zhàn):一是盡管已有研究利用深度學習解構病理圖像中細胞的類型與空間位置,但領域內尚缺乏可解釋、可量化的細胞空間分布特征以定量刻畫腫瘤微環(huán)境并建立其與腫瘤進展之間的關聯;二是盡管已有研究揭示了殺傷性T淋巴細胞的運動特征,但對其與癌細胞相互作用過程中的運動行為的模式變化以及二者共演化機制的理解仍不清晰。
針對上述問題,中國科學院深圳先進技術研究院定量合成生物學全國重點實驗室/合成生物學研究所李雪飛研究員團隊,聯合北京醫(yī)院/國家老年醫(yī)學中心、松山湖材料實驗室等多家臨床與科研單位,分別從免疫細胞的時空動態(tài)行為與組織病理圖像的空間結構兩個維度開展系統(tǒng)研究,通過實驗/臨床數據定量分析與物理建模相結合的方法,一方面在體外構建的腫瘤微環(huán)境中,系統(tǒng)揭示了抗原特異性T細胞在共培養(yǎng)條件下的導航策略與腫瘤細胞免疫逃逸機制(發(fā)表于Communications Biology),另一方面,利用深度學習所識別出的細胞類型與空間位置,定義并發(fā)現了對肝癌患者病情進展具有預測價值的腫瘤空間生物標志物(發(fā)表于The Journal of Pathology: Clinical Research)。相關研究為理解腫瘤微環(huán)境的演化規(guī)律、提升患者對于癌癥治療的響應等提供了理論與數據支撐。
一、揭示抗原特異性T細胞在腫瘤共培養(yǎng)環(huán)境中的導航策略與腫瘤免疫逃逸機制(Communications Biology)
7月31日,李雪飛研究團隊聯合松山湖材料實驗室生物界面韓偉靜副研究員、中國科學院物理研究所李明研究員在Communications Biology上發(fā)表了題為“Deciphering antigen-specific T cell navigation tactics and cancer immune evasion in co-cultures”的研究論文(圖1)。該工作定量刻畫了抗原特異性T細胞在多腫瘤團簇共培養(yǎng)環(huán)境中準二維平面上的運動行為,提出了T細胞運動和聚集的關鍵機制,并發(fā)現了癌細胞在與T細胞相互作用過程中逐步形成的免疫逃逸現象。
研究團隊搭建了一個多癌團簇的2.5D體外共培養(yǎng)體系,結合活細胞延時成像、細胞軌跡定量分析、計算建模與轉錄組測序(包括bulk和單細胞RNA測序)(圖2),系統(tǒng)地研究了腫瘤抗原特異性T細胞在腫瘤團簇周圍的運動模式。
研究發(fā)現,相比于非特異識別組,抗原特異性T細胞在共培養(yǎng)條件下表現更長的癌細胞駐留時間(dwell time)(圖3)和更強的運動方向持續(xù)性(directional persistence)。功能實驗進一步表明,阻斷CXCR3-CXCL9/10信號通路(使用拮抗劑ACT-660602)可顯著削弱T細胞的方向持續(xù)性遷移能力,降低其在腫瘤團簇上的富集密度和殺傷效率。這一結果暗示該通路在調控T細胞遷移和抗腫瘤應答中具有潛在的干預價值。
此外,基于運動軌跡數據,研究團隊建立了模擬T細胞運動模式的計算模型(圖4),進一步驗證了“方向性遷移+穩(wěn)定接觸”雙機制對T細胞定位與聚集的關鍵作用。其中,T細胞較強的運動方向持續(xù)性有助于提高對腫瘤細胞的搜索效率;而與癌細胞形成的長時間接觸(dwell time)是實現聚集的核心因素。
有趣的是,研究團隊還發(fā)現部分存活的腫瘤細胞在T細胞攻擊后發(fā)生了表型轉變。通過bulk和單細胞轉錄組分析,研究識別出一類具有免疫逃逸特征的腫瘤細胞亞群(Cancer-C4):該亞群不僅顯著下調趨化因子(如CXCL9/10)表達(圖5),還激活上皮-間充質轉化(EMT)相關通路,表現出更強的遷移性和免疫逃逸特征。
該研究結合實驗與計算建模手段,系統(tǒng)闡明了抗原特異性T細胞在與腫瘤共培養(yǎng)環(huán)境中實現導航與聚集的行為機制,并揭示了癌細胞在T細胞攻擊下誘導形成免疫抑制表型的動態(tài)過程。研究成果有望為“冷腫瘤”的形成機制提供新的視角,也為優(yōu)化免疫細胞工程設計、提升免疫療法在實體瘤中的穿透與殺傷效率提供了關鍵的時空行為學依據和潛在干預靶點。
二、利用深度學習構造并發(fā)現肝癌腫瘤細胞空間分布特征預后標志物(The Journal of Pathology: Clinical Research)
此前不久(6月13日),李雪飛研究團隊聯合北京醫(yī)院宋京海教授、崔菊研究員團隊在The Journal of Pathology: Clinical Research上發(fā)表了題為“Leveraging deep learning to discover interpretable cellular spatial biomarkers for prognostic predictions based on hepatocellular carcinoma histology”的研究論文(圖6)。
該工作開發(fā)了一套基于深度學習的組織圖像處理流程,構造了一系列細胞空間分布特征,系統(tǒng)識別并量化肝細胞癌(HCC)組織中多種細胞類型的空間分布特征,發(fā)現具備獨立預后預測價值的空間生物標志物,為病理圖像的結構解析和術后風險評估提供了新思路。
研究開發(fā)了端到端的圖像處理流程(圖7),結合深度學習分類器與圖論方法(Delaunay三角與Voronoi圖),從常規(guī)臨床腫瘤切片(蘇木素-伊紅染色法)中識別肝癌組織內的腫瘤、免疫和基質細胞,并構建空間鄰接網絡,提取共計109種拓撲結構特征。
通過對公開數據庫TCGA及北京醫(yī)院兩大患者隊列的回顧性分析,研究最終篩選出鑒定出6種細胞空間特征與患者總體生存期顯著相關。在采用一致的閾值時,這些空間特征在兩個隊列中均表現出顯著的預后指示作用(圖8),且部分特征的組合,如基質細胞周圍的細胞多樣性均值(StrDiv-M)、細胞間距離中位數(CellDis-MED)等,能夠進一步優(yōu)化患者的生存周期分層。
此外,研究顯示,將細胞空間特征與臨床特征如微血管侵犯結合(MVI),可以顯著提升預后預測的準確性(圖9)。這不僅為肝細胞癌的臨床分層提供了新工具,也為深入理解腫瘤微環(huán)境細胞間復雜空間組織及其機制研究奠定基礎。
相關成果未來有望推動精準腫瘤診療策略的制定,提升肝癌患者的臨床管理水平。
結語
篇一(Communications Biology):中國科學院定量合成生物學重點實驗室/合成生物學研究所李雪飛研究員、松山湖材料實驗室生物界面團隊韓偉靜副研究員、中國科學院物理研究所李明研究員是本文的共同通訊作者。中國科學院大學碩士畢業(yè)生李新月、松山湖材料實驗室工程師金桃麗與王麗莎為本文的共同第一作者。
篇二(The Journal of Pathology: Clinical Research):中國科學院定量合成生物學重點實驗室/合成生物學研究所李雪飛研究員、北京醫(yī)院/國家老年醫(yī)學中心肝膽胰外科主任宋京海教授、北京醫(yī)院/國家老年醫(yī)學中心老年醫(yī)學研究所崔菊研究員是本文的共同通訊作者。中國科學院定量合成生物學重點實驗室/合成生物學研究所助理研究員胡匯涓博士、中國醫(yī)學科學院北京協和醫(yī)學院研究生院畢業(yè)博士生譚天華為本文的共同第一作者。
這兩項研究分別從“免疫細胞行為機制”與“空間結構特征識別”兩個角度出發(fā),解析了腫瘤免疫微環(huán)境中細胞間相互作用的動態(tài)過程與組織結構的空間復雜性,展現了在定量病理、人工智能分析與細胞動力學研究方面的交叉融合能力。研究為免疫細胞導航與聚集機制的建模提供了定量依據(篇一),也為病理圖像中空間結構信息的可解釋提取與術后風險預測提供了計算工具與理論基礎(篇二)。相關研究工作得到了國家重點研發(fā)計劃、國家自然科學基金、中國科學院戰(zhàn)略性先導科技專項、廣東省重點領域研發(fā)計劃、廣東省基礎與應用基礎研究基金、中央高水平醫(yī)院臨床研究專項、廣東省珠江計劃高層次人才項目、深圳市科技計劃與深圳合成生物研究院科研項目等項目支持。

圖1?文章上線截圖(全文鏈接:https://doi.org/10.1038/s42003-025-08568-w)

圖2?研究分析流程概覽

圖3?定量解析共培養(yǎng)體系中T細胞運動模式

圖4?計算模擬揭示T細胞搜尋策略與聚集的關鍵機制

圖5?單細胞測序分析揭示腫瘤異質性及耐受機制

圖6?文章上線截圖(全文鏈接:https://doi.org/10.1002/2056-4538.70033)

圖7?圖像數據處理流程

圖8?三個重要空間特征的患者分層功效

圖9?使用空間特征和?MVI對北京醫(yī)院隊列患者的療效進行組合分析
附件下載: