肿瘤微环境的综合分析:多组学、空间转录组与数字病理的整合策略

摘要

肿瘤微环境（TME）是一个由癌细胞、免疫细胞、基质细胞、血管、细胞外基质和信号分子组成的复杂生态系统，其异质性深刻影响肿瘤进展、转移和免疫治疗响应。本文系统阐述整合多组学、空间转录组和数字病理数据的TME综合分析策略。从TME的核心组成与功能出发，深入解析多组学方法（转录组、蛋白质组、代谢组）在细胞组分推断、通路活性评估中的应用；详细介绍空间转录组技术（10x Visium、MERFISH、Stereo-seq）在解析TME空间结构、细胞间相互作用和免疫浸润模式中的独特价值；探讨数字病理（全切片图像、免疫组化、多重免疫荧光）通过深度学习进行细胞分割、表型分析和空间分布量化的方法。重点阐述多模态数据整合的框架（早期融合、中期融合、晚期融合、基于图神经网络的整合），并通过肺癌、乳腺癌、结直肠癌等典型案例展示整合策略在揭示免疫排斥、三级淋巴结构、肿瘤-基质共进化等生物学发现中的应用。最后展望动态TME、空间多组学、人工智能病理等未来方向。

1. 引言

肿瘤微环境（Tumor Microenvironment, TME）是指肿瘤细胞生存和相互作用的复杂生态系统，包括癌细胞、免疫细胞（T细胞、B细胞、巨噬细胞、树突状细胞）、基质细胞（成纤维细胞、周细胞）、血管、淋巴管、细胞外基质（ECM）以及各种信号分子（细胞因子、趋化因子、生长因子）。TME不仅是肿瘤生长的“土壤”，更是决定肿瘤进展、转移、耐药和免疫治疗响应的关键因素。例如，免疫“热”肿瘤（T细胞浸润丰富）通常对免疫检查点抑制剂响应良好，而免疫“冷”肿瘤（T细胞排斥）则往往耐药。

传统肿瘤研究主要聚焦于癌细胞本身的基因突变和表达异常，忽视了TME的复杂性和异质性。随着高通量技术的飞速发展，我们如今能够从多个维度系统解析TME：

• 多组学：通过bulk和单细胞转录组、蛋白质组、代谢组，揭示TME中的细胞类型组成、功能状态和分子通路。
• 空间转录组：在组织原位测量基因表达，保留细胞间的空间位置信息，揭示细胞空间组织规律和细胞间相互作用。
• 数字病理：从常规H&E染色、免疫组化（IHC）和多重免疫荧光（mIHC）图像中，通过深度学习进行细胞检测、分类和空间分布量化。

然而，单一技术只能提供TME的片面视图。例如，单细胞转录组丢失了空间位置信息；空间转录组分辨率有限，难以区分相邻细胞；数字病理难以提供分子深度。因此，整合多模态数据，构建TME的综合图谱，成为当前肿瘤免疫学和精准医学的前沿方向。

本文将从TME的核心组分出发，系统介绍多组学、空间转录组和数字病理的分析方法，重点阐述多模态整合的策略，并通过典型案例展示其在揭示TME异质性、免疫逃逸机制和生物标志物发现中的应用价值。

2. 肿瘤微环境的核心组分与功能

TME的细胞组成和功能状态因肿瘤类型、分期和治疗背景而异。主要组分包括：

2.1 免疫细胞

• T细胞：CD8+细胞毒性T细胞（杀伤肿瘤）、CD4+辅助T细胞（Th1、Th2、Th17）、调节性T细胞（Treg，免疫抑制）。T细胞浸润密度和活化状态是免疫治疗响应的关键预测指标。
• B细胞：产生抗体，呈递抗原，部分肿瘤中形成三级淋巴结构（TLS）与良好预后相关。
• 巨噬细胞：M1型（抗肿瘤）和M2型（促肿瘤）。肿瘤相关巨噬细胞（TAM）多为M2型，促进血管生成和免疫抑制。
• 树突状细胞：抗原呈递，激活T细胞。
• 髓源性抑制细胞（MDSC）：抑制T细胞功能。

2.2 基质细胞

• 癌症相关成纤维细胞（CAF）：分泌ECM、生长因子和细胞因子，促进肿瘤侵袭和耐药。
• 内皮细胞：构成肿瘤血管，调节营养供应和免疫细胞进入。
• 周细胞：支持血管结构。

2.3 细胞外基质

ECM的硬度和成分影响癌细胞迁移、信号转导和免疫细胞浸润。

2.4 信号分子

趋化因子（如CXCL9/10）、细胞因子（如TGF-β、IL-10）、生长因子（如VEGF）调控免疫细胞募集和功能。

3. 多组学分析TME

3.1 转录组学

3.1.1 基于bulk转录组的细胞组分推断

利用反卷积算法从bulk RNA-seq数据中推断细胞类型丰度。常用方法：

• CIBERSORT：基于基因表达特征矩阵，估计22种免疫细胞比例。
• ESTIMATE：计算免疫和基质评分。
• xCell：整合多种算法，覆盖64种细胞类型。
• MCP-counter：定量免疫和基质细胞丰度。

局限：依赖参考矩阵，不能发现新细胞类型；无法区分空间分布。

3.1.2 单细胞转录组（scRNA-seq）

scRNA-seq可无偏倚地识别TME中的全部细胞类型，发现稀有细胞亚群（如特定CAF亚型）。通过聚类和差异表达分析，揭示各细胞亚群的功能特征（如T细胞耗竭、M2极化）。

工具：Seurat、Scanpy、CellTypist。

3.2 蛋白质组学

质谱技术可直接测量TME中的蛋白丰度和翻译后修饰。磷酸化蛋白质组揭示信号通路激活状态（如MAPK、PI3K-AKT）。通过组织显微切割结合蛋白质组，可空间分辨TME不同区域的蛋白表达。

3.3 代谢组学

TME中代谢物（如乳酸、谷氨酰胺）调控免疫细胞功能。代谢组学可揭示代谢重编程和免疫抑制代谢物。

4. 空间转录组解析TME空间结构

空间转录组技术将基因表达映射回组织切片的空间坐标，是解析TME空间异质性的革命性工具。

4.1 主流技术平台

4.2 数据分析流程

1. 预处理：质控、标准化、降维。
2. 细胞类型定位：结合scRNA-seq参考，使用RCTD、Cell2location推断每个spot的细胞类型组成。
3. 空间域识别：使用BayesSpace、SpaGCN识别功能区域（如肿瘤核心、侵袭前沿、坏死区、免疫聚集区）。
4. 空间差异表达：识别不同区域的标记基因。
5. 细胞间相互作用分析：基于配体-受体数据库（CellChatDB），利用空间邻近性推断细胞间通信。

4.3 TME分析中的关键发现

• 免疫排斥：肿瘤边缘CD8+ T细胞聚集，但无法进入肿瘤核心，与免疫治疗耐药相关。
• 三级淋巴结构（TLS）：B细胞、T细胞和树突状细胞聚集形成的异位淋巴结构，与免疫治疗良好响应和长生存相关。
• 肿瘤-基质共进化：肿瘤细胞与CAF的空间共定位和配体-受体互作（如TGF-β信号）促进肿瘤侵袭。

5. 数字病理与深度学习

数字病理将全切片图像（WSI）数字化，通过深度学习自动分析TME的细胞组成、空间分布和组织结构。

5.1 核心任务

5.1.1 细胞检测与分割

使用卷积神经网络（如U-Net、Mask R-CNN）检测细胞核，分割细胞边界。对于H&E染色，可区分肿瘤细胞、淋巴细胞、基质细胞等；对于IHC（如CD8、CD68），可特异性标记免疫细胞。

5.1.2 细胞类型分类

基于细胞形态、核大小、染色强度等特征，训练分类器区分T细胞、B细胞、巨噬细胞、肿瘤细胞等。

5.1.3 空间分布量化

• 密度图：生成细胞分布热图。
• 最近邻距离：计算肿瘤细胞与免疫细胞的最小距离，评估免疫浸润深度。
• 空间异质性指标：如莫兰指数（Moran’s I）评估细胞聚类程度。

5.2 深度学习模型

• 用于细胞检测：HoVer-Net（同时分割和分类）。
• 用于生存预测：基于WSI的弱监督模型（如CLAM、MIL）直接预测患者预后。
• 用于TME评分：从WSI预测免疫浸润丰度、TLS存在、CAF密度等。

5.3 数字病理与分子数据的关联

通过将WSI与转录组数据对齐，可训练模型从图像预测基因表达（如PD-L1表达）、突变状态（如EGFR突变）或分子亚型。

6. 多模态整合策略

6.1 整合的必要性

• 单细胞转录组提供细胞类型和状态，但丢失空间信息。
• 空间转录组提供空间基因表达，但分辨率有限。
• 数字病理提供高分辨率细胞形态和空间分布，但缺乏分子深度。

整合三者可构建TME的“分子-细胞-空间”全景图。

6.2 整合框架

6.2.1 早期融合（数据层）

将不同模态的特征向量拼接，输入下游模型。例如，将基因表达、细胞比例、病理图像特征拼接，预测免疫治疗响应。

6.2.2 中期融合（特征层）

各自提取特征后，通过注意力机制或图神经网络进行加权融合。例如，使用图卷积网络将细胞（节点）在空间中的连接（边）与基因表达特征结合。

6.2.3 晚期融合（决策层）

各模态独立预测，通过投票或加权平均合并结果。

6.2.4 基于图神经网络的联合嵌入

将空间位置、细胞类型、基因表达和病理图像信息构建为异质图（节点：细胞/spots，边：空间邻近或形态相似性），使用图注意力网络学习节点嵌入，用于下游任务。

代表模型：

• ST-Net：整合空间转录组和病理图像，提升细胞类型定位。
• TMEPro：整合多组学和空间数据，构建TME功能模块。

6.3 实战工作流

1. 对同一肿瘤组织进行连续切片：一张用于空间转录组（如Visium），相邻切片用于H&E和多重IHC。
2. 将空间转录组spot坐标与病理图像配准，实现空间对齐。
3. 从病理图像中分割细胞，识别细胞类型，计算每个spot内细胞组成。
4. 使用RCTD或Cell2location结合scRNA-seq参考，推断每个spot的细胞类型比例。
5. 构建空间图（节点为spot，边为空间邻近），整合基因表达、细胞组成和图像特征，进行空间域识别和细胞互作分析。

7. 应用案例

7.1 案例一：肺癌免疫排斥与浸润模式

背景：非小细胞肺癌（NSCLC）中，部分患者对PD-1抑制剂响应良好（免疫热），部分响应差（免疫冷）。

方法：

• 使用Visium空间转录组分析肿瘤组织切片，结合scRNA-seq参考，定位CD8+ T细胞、Treg、巨噬细胞等。
• 数字病理量化CD8+ T细胞与肿瘤细胞的最近邻距离。
• 整合发现：响应者中CD8+ T细胞深入肿瘤核心，形成免疫突触；非响应者中T细胞被排斥在肿瘤边界外（免疫排斥），伴随CAF和Treg聚集。
• 空间配体-受体分析揭示CXCL9-CXCR3轴在T细胞招募中的作用。

7.2 案例二：乳腺癌三级淋巴结构（TLS）

背景：TLS与乳腺癌良好预后和免疫治疗响应相关。

方法：

• 空间转录组结合多重IHC（CD20、CD3、CD8、CD68），定位B细胞、T细胞、巨噬细胞。
• 识别TLS区域（B细胞聚集区，周围T细胞浸润）。
• 空间转录组分析显示TLS内高表达抗原呈递相关基因（MHC-II、HLA-DR）和趋化因子（CXCL13、CCL19）。
• 整合生存数据，证实TLS存在与患者长生存正相关。

7.3 案例三：结直肠癌的肿瘤-基质共进化

背景：结直肠癌中，CAF与肿瘤细胞相互作用促进侵袭。

方法：

• 使用Stereo-seq（亚细胞分辨率）分析肿瘤边界区域。
• 结合scRNA-seq，识别CAF亚型（炎性CAF、肌成纤维CAF）。
• 空间共定位分析显示，侵袭前沿区域肿瘤细胞与肌成纤维CAF紧密接触。
• 配体-受体分析发现TGF-β信号通路在肿瘤- CAF互作中富集，提示靶向TGF-β可阻断共进化。

8. 挑战与未来趋势

8.1 当前挑战

• 数据配准：空间转录组与病理图像的精确对齐仍存在技术困难（组织变形、切片厚度差异）。
• 多模态异质性：不同模态的数据尺度（分子、细胞、组织）、分辨率、数据类型（连续、计数、图像）差异大，整合困难。
• 计算资源：大规模空间转录组数据（TB级）和WSI（GB级）处理需要高性能计算。
• 标准化缺失：缺乏统一的数据格式、分析流程和基准数据集。

8.2 未来趋势

• 动态TME：结合时间序列样本（如治疗前后），构建四维TME演化图谱。
• 空间多组学：同时测量空间转录组、空间蛋白质组和空间代谢组（如MIBI、CODEX、MALDI-IMS），实现多模态原位解析。
• 人工智能病理大模型：利用自监督学习在百万级WSI上预训练，泛化到下游TME分析任务。
• 因果推断：整合扰动实验（如CRISPR筛选）和空间数据，推断TME中的因果调控关系。
• 临床转化：开发基于TME整合分析的诊断panel和预后模型，指导个体化免疫治疗。

9. 结语

肿瘤微环境是决定肿瘤行为和免疫治疗响应的核心因素。多组学、空间转录组和数字病理的整合，使我们能够以前所未有的深度和广度解析TME的细胞组成、空间结构和功能状态。通过数据整合，我们可以识别免疫排斥模式、发现三级淋巴结构、揭示肿瘤-基质共进化机制，为精准免疫治疗提供生物标志物和新靶点。未来，随着空间多组学和人工智能病理的发展，TME的综合分析将走向动态、多模态和临床转化，推动癌症精准医学进入新时代。