STopover：利用拓扑分析解析肿瘤微环境空间奥秘，助力癌症免疫治疗新突破

《Genome Medicine》：STopover captures spatial colocalization and interaction in the tumor microenvironment using topological analysis in spatial transcriptomics data

在肿瘤免疫治疗中，部分患者对免疫检查点抑制剂（ICI）反应不佳，且现有方法难以全面分析肿瘤微环境（TME）空间特征。研究人员开展了利用空间转录组学（SRT）和拓扑分析研究 TME 的主题研究。结果发现 STopover 可揭示细胞浸润模式等，对理解癌症病理和免疫治疗意义重大。

　　肿瘤的发生发展如同一场在人体内部上演的复杂 “战争”，肿瘤细胞与免疫系统之间不断进行着激烈的 “攻防战”。在肿瘤微环境（Tumor Microenvironment，TME）这个特殊的 “战场” 中，肿瘤细胞会巧妙地利用各种机制逃避免疫系统的攻击，而免疫细胞则努力识别并清除肿瘤细胞。近年来，癌症免疫治疗成为了攻克癌症的热门方向，尤其是针对免疫检查点的治疗方法，如靶向 PD - 1、PD - L1 和 CTLA - 4 的免疫治疗，在临床前研究和临床试验中都展现出了一定的肿瘤抑制效果 。

然而，现实却不尽如人意。并非所有患者都能从免疫治疗中获益，尽管临床上已经使用了一些预测免疫检查点抑制剂（Immune Checkpoint Inhibitors，ICIs）疗效的生物标志物，如 PD - L1 表达、微卫星不稳定性和肿瘤突变负荷等，但仍然无法准确预测患者的治疗反应。这是因为 TME 的空间特征与免疫治疗反应密切相关，免疫细胞在肿瘤中的浸润模式才是决定免疫状态的关键因素 。比如，在免疫排除或免疫荒漠型肿瘤中，免疫细胞难以穿透肿瘤组织，使得免疫治疗效果大打折扣。而且，TME 中的肿瘤细胞、免疫细胞以及基质成分之间存在着复杂的相互作用，这些相互作用共同影响着免疫细胞对肿瘤细胞的作用效果 。因此，迫切需要一种能够同时分析多种细胞类型空间配置的方法，来深入了解 TME 的奥秘。

为了攻克这些难题，来自首尔国立大学等多个机构的研究人员开展了一项极具意义的研究。他们提出了一种名为 STopover 的新方法，该方法利用空间转录组学（Spatially Resolved Transcriptomics，SRT）数据和拓扑分析，来研究 TME 的空间特征。这项研究成果发表在《Genome Medicine》杂志上，为癌症研究领域带来了新的曙光。

研究人员在开展研究时，运用了多种关键技术方法。首先是数据获取，研究使用了多种数据集，包括模拟数据集，以及来自人肺癌和乳腺癌的条形码（barcode） - 基于 SRT 和图像（image） - 基于 SRT 的数据。在数据处理方面，基于 Scanpy 运行 Python 进行预处理，利用 CellDART 或 Cell2location 算法进行细胞类型分解。而 STopover 方法本身则应用了 Morse 过滤和树形图平滑算法等拓扑分析手段，通过计算连接组件（Connected Components，CCs）和 Jaccard 指数来分析细胞间的共定位和相互作用模式 。

下面来看具体的研究结果：

1. STopover 在模拟数据集中捕获特征对共定位区域：在模拟数据集中，研究人员将 STopover 与传统的基于阈值的方法进行比较。传统方法在确定细胞类型丰富区域的阈值时，可能会遗漏肿瘤细胞活性低但免疫细胞活性高的局部活跃区域 。而 STopover 则能够精确地捕获癌症和免疫细胞之间的共定位组织区域，并且通过 Jaccard 指数对癌症和免疫细胞的 CCs 之间的重叠程度进行量化，从而识别出可能存在高癌症 - 免疫相互作用的子区域 。
2. STopover 揭示肺癌细胞类型间的空间重叠模式（基于条形码 SRT）：研究人员将 STopover 应用于人类肺腺癌（Adenocarcinoma，ADC）的 Visium 数据中。通过整合来自人类肺癌组织的参考单细胞数据，他们估计了主要细胞类型的空间分布 。结果发现，在 PD - L1 低表达的组织中，肿瘤细胞（tS₂）与免疫细胞（如 MAST 和 NK/T 细胞）的空间模式高度排斥；而在 PD - L1 高表达的组织中，它们在多个组织子区域存在重叠 。进一步分析肿瘤细胞与 T 细胞亚型的相互作用发现，PD - L1 低表达的肿瘤与大多数 T 细胞亚型没有显著的空间重叠，而 PD - L1 高表达的肿瘤中，多种 T 细胞亚型与 tS₂高度共定位 。此外，通过对 11 个肺 ADC 数据的分析，研究人员根据 tS₂与其他细胞类型的空间重叠趋势，将组织样本分为两个簇，这表明 STopover 可以描述和量化肺癌中癌症 - 免疫和癌症 - 基质成分之间的空间关系 。
3. STopover 估计肺癌条形码 SRT 中的空间细胞间相互作用：基于 CellTalkDB 提供的配体 - 受体（Ligand - Receptor，LR）基因对及其表达谱，STopover 可以捕获 LR 表达的重叠位置，从而估计细胞间相互作用的关键位置和程度 。在高 PD - L1 表达的组织中，研究人员发现了一些关键的 LR 对，如 B₂M - TFRC、B₂M - KLRC1 和 B₂M - CD3G 等 。对这些 LR 对进行富集分析后发现，它们与细胞外基质（Extracellular Matrix，ECM）组织、MAPK/ERK 通路等密切相关，这些通路与癌细胞的增殖和转移紧密相连 。此外，研究人员还对肿瘤 - 免疫相互作用进行了深入研究，发现 T 细胞激活和抑制信号在选定的 PD - L1 高表达组织的 T 细胞浸润组织区域均发挥作用 。
4. STopover 提取肺癌 TME 的空间配置（基于图像 SRT）：为了证明 STopover 在图像 SRT 中的可扩展性，研究人员将其应用于 CosMx SMI 平台的数据中 。他们计算了细胞类型的空间丰度和肿瘤细胞（tS₂）与主要肺癌细胞类型之间的空间共定位模式 。结果显示，所有细胞类型与肿瘤细胞的全局重叠分数（J_comp）都较低，且没有细胞类型与肿瘤细胞存在统计学上显著的共定位 。进一步分析 tS₂与 T 细胞亚型的关系发现，所有 T 细胞亚型与 tS₂的 J_comp分数都很低 。
5. STopover 预测肺癌图像 SRT 中 NK/T 细胞特异性细胞间相互作用：在肺癌的 CosMx SMI 数据集中，研究人员利用 STopover 探索了肿瘤细胞（tS₂）与 NK/T 细胞之间的特异性细胞间相互作用 。他们从 CellTalkDB 中筛选出与 CosMx 数据集相关的 LR 对，并利用 tS₂细胞中的配体基因表达和 T 细胞中的受体基因表达来预测肿瘤 - 免疫特异性相互作用 。分析发现了 12 个关键的相互作用，但这些相互作用均无统计学意义，表明肿瘤与 NK 或 T 细胞之间的相互作用较低 。不过，研究人员发现，在高平均配体表达的前 5 个 LR 对中，tS₂与 NK/T 细胞之间的相互作用位置高度重叠 。
6. STopover 揭示乳腺癌 TME 的空间特征（基于条形码 SRT）：在乳腺癌研究中，研究人员将 STopover 应用于条形码 SRT 数据，比较了雌激素受体阳性（Estrogen Receptor - positive，ER +）和三阴性乳腺癌（Triple - Negative Breast Cancer，TNBC）组织中的空间相互作用 。结果发现，ER + 样本显示出低免疫浸润，与 TNBC 样本的 TME 空间模式明显不同 。在 TNBC 组织中，髓样细胞与癌上皮细胞有显著的共定位，而在 ER + 组织中两者高度排斥 。此外，研究人员还预测了乳腺癌组织中主要的空间 LR 相互作用及其关键区域，发现 ER + 组织和 TNBC 组织中主要的 LR 相互作用不同，且与不同的生物学过程相关 。

研究结论和讨论部分指出，STopover 是一种强大的工具，它能够利用 SRT 和拓扑分析来分析 TME 的空间浸润模式，突出肿瘤 - 免疫和肿瘤 - 基质相互作用的关键区域 。该工具可以在多种癌症组织中应用，帮助理解免疫逃避机制，并为指导个性化免疫治疗策略提供依据 。然而，这项研究也存在一些局限性，例如缺乏纵向临床数据，无法直接分析 STopover 所表征的细胞空间相互作用与癌症临床进展之间的关系 。此外，在解释 STopover 提取的细胞间相互作用时需要谨慎，因为 LR 相互作用的分析可能存在对高表达基因的偏向性，且没有考虑下游信号通路 。同时，STopover 依赖于外部方法预测的细胞类型比例或注释，这可能会影响结果的准确性 。不过，研究人员通过多种方法验证了 STopover 的有效性和稳健性，为进一步研究 TME 和癌症免疫治疗提供了重要的参考 。

总的来说，STopover 的出现为癌症研究领域提供了一种新的视角和方法，尽管它还存在一些不足，但无疑为未来的研究指明了方向，有望推动癌症免疫治疗取得新的突破 。