人工智能在三级淋巴结:肿瘤浸润淋巴细胞领域的系统研究进展

小罗碎碎念

本期文献主题：人工智能在三级淋巴结/肿瘤浸润淋巴细胞领域的系统分析

关于三级淋巴结和肿瘤浸润淋巴细胞的文献，会是接下来的分析重点，期间也会穿插临床文献&项目复现的推文。

在这里插入图片描述

另外再说点科研道路上的题外话，也算是记录自己的心路历程了。

尽管自己一直在规劝自己，要脚踏实地，不要好高骛远，但是我很多时候也不太能分得清提前规划和好高骛远的区别，感觉自己做了很多，但好像又什么都没做。

但是，必须要承认，自己前段时间很浮躁，但我认为大方向是没有错的。还是那句话，小罗主打一个听劝，若有问题，还请各位前辈及时指正，不胜感激！！

一、AI分析揭示新辅助治疗对肿瘤微环境和循环免疫细胞的特异性影响

在这里插入图片描述

一作&通讯

角色	姓名	单位（中文）
第一作者	Chang Gon Kim	延世大学医学院附属医院，肿瘤内科，韩国首尔
	Min Hee Hong	同上
	Dahee Kim	延世大学医学院，耳鼻喉科，韩国首尔
	Hyunwook Kim	延世大学医学院附属医院，肿瘤内科，韩国首尔
	Chan-Young Ock	同上
通讯作者	Hye Ryun Kim	延世大学医学院附属医院，肿瘤内科，韩国首尔
	Yoon Woo Koh	延世大学医学院，耳鼻喉科，韩国首尔
	Hyun Je Kim	首尔国立大学医学院，生物医学科学系，韩国首尔
	Sun Och Yoon	延世大学医学院附属医院，病理学系，韩国首尔

文献概述

这篇文章报道了一项II期临床试验，结果显示新辅助Durvalumab联合Tremelimumab治疗相比于Durvalumab单药治疗，在可切除的局部晚期头颈部鳞状细胞癌患者中显著改善了无远处复发生存期，并通过AI分析揭示了治疗对肿瘤微环境和循环免疫细胞的特异性影响。

研究团队进行了一项开放标签的II期随机临床试验，以评估术前使用Durvalumab（D）单独或与Tremelimumab（T）联合治疗可切除的局部晚期HNSCC患者的疗效和安全性。

研究共纳入48名患者，随机分配至两组：一组接受Durvalumab单药治疗，另一组接受Durvalumab联合Tremelimumab治疗。所有患者随后根据多学科团队的判断接受术后放化疗，并进行为期一年的Durvalumab治疗。研究使用人工智能（AI）技术对肿瘤浸润性淋巴细胞的空间分布进行分析，并采用高维分析方法对循环免疫细胞进行特征分析，以追踪肿瘤内外的动态免疫反应。

结果显示，与单独使用Durvalumab治疗的患者相比，接受Durvalumab和Tremelimumab联合治疗的患者具有更好的无远处复发生存期（DRFS）。AI驱动的全切片图像分析表明，与单独使用Durvalumab或细胞毒性化疗相比，Durvalumab和Tremelimumab的联合治疗显著改变了肿瘤微环境，使其趋向于免疫炎症表型。此外，循环免疫细胞的高维特征分析揭示了Durvalumab和Tremelimumab治疗引起了特定的T细胞亚群显著扩张，这些变化在单独使用Durvalumab治疗的患者中很少见。重要的是，CD8阳性T细胞和非调节性CD4阳性T细胞中特定簇的扩张与接受Durvalumab和Tremelimumab治疗的患者的DRFS延长有关。

研究结论指出，术前使用Durvalumab和Tremelimumab是可行的，并且可能对可切除的HNSCC患者有益。每种治疗方案引起的肿瘤微环境和循环免疫细胞的特异性变化需要进一步研究。

文章还讨论了HNSCC的治疗现状、新辅助免疫疗法的理论基础和潜力，以及研究的具体设计、执行过程、统计分析方法和结果。此外，作者还探讨了新辅助免疫疗法在HNSCC治疗中的临床应用前景，以及如何通过结合先进的AI分析技术来提高治疗效果和理解免疫疗法的作用机制。研究由多个研究机构和大学合作完成，并得到了包括AstraZeneca在内的多个资助者的财务支持。

重点关注

Figure 1 展示了临床试验的结果，具体如下：

A. 新辅助治疗开始到手术切除的时间：这部分显示了从开始新辅助治疗到进行手术切除的时间分布。大多数患者（71.1%）在新辅助治疗后的2到3周内进行了手术。

B. 基于接受治疗的局部区域复发率（Locoregional Recurrence Rate）：这部分比较了接受Durvalumab（D）单药治疗和Durvalumab联合Tremelimumab（D+T）治疗的患者组的局部区域复发率。

C. 基于接受治疗的远处复发率（Distant Recurrence Rate）：这部分比较了两组患者的远处复发率。D+T治疗组的远处复发率显著低于D单药治疗组（P = 0.0291），表明联合治疗在降低远处复发方面更为有效。

D. 局部区域无复发生存率（Locoregional Recurrence-Free Survival）：这部分展示了两组患者从手术到局部区域复发的时间，以生存曲线表示。两组的生存曲线相近，没有显著差异（P = 0.6316）。

在这里插入图片描述

E. 远处无复发生存率（Distant Recurrence-Free Survival）：这部分展示了两组患者从手术到远处复发的时间。D+T治疗组的远处无复发生存率显著高于D单药治疗组（P = 0.0266），显示联合治疗在预防远处复发方面的益处。

F. 无复发生存率（Recurrence-Free Survival）：这部分展示了两组患者从手术到任何类型复发的时间。两组的无复发生存曲线相似，没有显著差异（P = 0.3061）。

G. 无病生存率（Disease-Free Survival）：这部分展示了两组患者从手术到疾病（包括局部区域复发、远处复发或任何原因的死亡）的时间。两组的无病生存曲线相似，没有显著差异（P = 0.4311）。

H. 总体生存率（Overall Survival）：这部分展示了两组患者从随机分配到任何原因死亡的时间。两组的总体生存曲线相似，没有显著差异（P = 0.6749）。

总结来说，Figure 1 提供了新辅助Durvalumab单药治疗与Durvalumab联合Tremelimumab治疗在局部区域复发率、远处复发率、无复发生存率、无病生存率和总体生存率方面的比较。

特别值得注意的是，远处复发率和远处无复发生存率在两组之间存在显著差异，表明联合治疗在降低远处复发风险方面可能更为有效。

二、自动化TILs评估：一种新型生物标志物用于指导非小细胞肺癌的精准免疫治疗

一作&通讯

角色	姓名	单位名称（中文）
第一作者	Mehrdad Rakaee, PhD	布里格姆和妇女医院，哈佛医学院，波士顿，马萨诸塞州
通讯作者	David J. Kwiatkowski, MD, PhD	布里格姆和妇女医院，哈佛医学院，波士顿，马萨诸塞州

文献概述

这篇文章报道了一项研究，该研究开发并验证了一种基于机器学习的方法，用于评估非小细胞肺癌患者肿瘤组织中肿瘤浸润性淋巴细胞（TILs）的水平，并发现高TIL水平与免疫检查点抑制剂治疗的积极反应和更好的生存结果独立相关。

研究的主要目的是开发一种基于ML的TILs评分方法，并评估TILs与接受免疫检查点抑制剂（ICI）治疗的晚期NSCLC患者的临床结果之间的关联。

研究设计为多中心回顾性发现-验证队列研究，包括685名接受ICI治疗的NSCLC患者，中位随访时间分别为38.1个月（发现队列，n=446）和43.3个月（验证队列，n=239）。患者接受治疗的时间跨度为2014年2月至2021年9月。

研究团队开发了一种ML自动化方法，用于在NSCLC肿瘤的全切片HE染色图像中计数肿瘤、基质和TIL细胞。肿瘤突变负担（TMB）和程序性死亡配体-1（PD-L1）表达分别进行了评估，ICI治疗的临床反应通过病历回顾确定。数据分析时间从2021年6月至2022年4月。

研究结果显示，在多变量分析中，高TIL水平（≥250个细胞/mm²）与两个队列中ICI反应独立相关。在发现队列中，高TIL水平与更长的无进展生存期（PFS）和总生存期（OS）显著相关。在验证队列中也观察到类似的结果。此外，在PD-L1阴性（<1%）亚组中，TIL水平在预测ICI反应方面的分类准确性优于TMB。

研究结论指出，在这些队列中，TIL水平与ICI治疗反应稳健且独立相关。病理实验室可以相对容易地将患者TIL评估纳入工作流程，并且几乎不需要额外成本，这可能增强精准治疗。

文章还讨论了ML和TILs的相关性，TILs定位的重要性，以及TILs与TMB的比较。研究的局限性和未来方向也被提及，包括需要进一步的前瞻性研究来验证这些发现，以及探索ML-based TILs分析在早期NSCLC患者接受新辅助和辅助治疗中的潜力。

重点关注

表格展示了在接受免疫检查点抑制剂（ICI）单药治疗的非小细胞肺癌（NSCLC）患者的基线特征。

在这里插入图片描述

以下是对表格内容的分析：

患者人数：
- 总人数为685人，其中发现队列（Discovery cohort）有446人，验证队列（Validation cohort）有239人。
治疗药物：
- 多数患者接受的是抗PD-1治疗，使用Pembrolizumab的有363人（53%），使用Nivolumab的有270人（39%），使用Atezolizumab的有42人（6%），其他治疗药物有10人（2%）。
性别和年龄分布：
- 女性患者有345人（51%），男性有340人（49%）。
- 年龄方面，小于66岁的有340人（49%），66岁及以上的有345人（51%）。
组织学类型：
- LUAD（肺腺癌）有510人（75%），LUSC（肺鳞癌）有119人（17%），其他类型有53人（8%）。
吸烟史：
- 从不吸烟的患者有83人（13%），有吸烟史的患者有596人（86%），未知6人（1%）。
ECOG表现状态（Eastern Cooperative Oncology Group performance status，东部分肿瘤协作组表现状态）：
- 0-1级的有559人（82%），2级及以上的有118人（17%），未知8人（1%）。
样本来源：
- 来自肺的样本有348人（51%），淋巴结92人（13%），胸膜52人（8%），脑44人（6%），肝50人（7%），软组织42人（5%），其他57人（8%）。
肿瘤类型：
- 原发肿瘤324人（48%），转移性肿瘤350人（51%），未知11人（1%）。
组织类型：
- 切除标本299人（44%），活检标本386人（56%）。
KRAS/EGFR状态：
- KRAS突变237人（35%），EGFR突变43人（6%），KRAS/EGFR阴性358人（52%），未检测47人（7%）。
PD-L1表达水平：
- PD-L1 TPS <1%的有116人（17%），1-49%的有151人（22%），≥50%的有260人（38%），未知158人（23%）。
TMB（肿瘤突变负担）：
- TMB <10 mu/Mb的有227人（51%），≥10 mu/Mb的有217人（49%），未知2人（<1%）。

这个表格提供了两个独立队列的详细基线特征，这些信息对于评估免疫治疗的效果和理解不同患者群体的临床结果至关重要。

通过这些数据，研究人员可以更好地了解不同特征对治疗反应的影响，并可能有助于预测哪些患者更有可能从ICI治疗中获益。

三、免疫检查点抑制剂治疗失败后的肿瘤免疫逃逸路径

一作&通讯

角色	姓名	单位（英文）	单位（中文）
第一作者	Biagio Ricciuti	Lowe Center for Thoracic Oncology, Dana-Farber Cancer Institute, Boston, MA	丹娜-法伯癌症研究所，胸部肿瘤中心，波士顿，马萨诸塞州
第一作者	Giuseppe Lamberti	同上	同上
通讯作者	Mark M. Awad	Lowe Center for Thoracic Oncology, Dana-Farber Cancer Institute, Boston, MA	丹娜-法伯癌症研究所，胸部肿瘤中心，波士顿，马萨诸塞州

文献概述

这篇文章通过全面基因组分析和免疫表型特征研究，揭示了非小细胞肺癌患者在接受PD-(L)1抑制剂治疗后产生获得性耐药的分子机制和免疫逃逸路径。

目的：
研究者旨在探索非小细胞肺癌患者在接受免疫检查点抑制剂治疗后出现获得性耐药的机制。

方法：

对82位NSCLC患者的配对治疗前后肿瘤活检样本进行全面基因组分析、基于机器学习的肿瘤浸润性淋巴细胞评估、多重免疫荧光染色和/或HLA-I免疫组化（IHC）。
还包括了接受化疗或靶向治疗作为对照组的患者。

结果：

在27.8%的免疫治疗病例中发现了假定的耐药突变，包括STK11、B2M、APC、MTOR、KEAP1和JAK1/2的获得性功能丧失突变；这些获得性改变在对照组中未观察到。
免疫表型分析显示，与治疗前相比，治疗后的样本中肿瘤内淋巴细胞、CD3e1和CD8a1 T细胞、PD-L1-PD1结合显著减少，肿瘤细胞与CD81PD-11 T细胞之间的距离增加。
与化疗（P = .005）和靶向治疗（P = .01）组相比，免疫治疗组在获得性耐药时HLA-I表达显著降低。

结论：
研究结果突显了NSCLC中ICI耐药的基因组和免疫表型异质性，这将需要在开发针对克服耐药性的新治疗策略时予以考虑。

重点关注

FIG 1 展示了非小细胞肺癌（NSCLC）患者在使用基于PD-(L)1的疗法后获得性耐药时的基因组和免疫表型变化的总结。

基因组变化：图示仅显示了在免疫检查点抑制剂（ICI）治疗后的活检样本中发现的获得性基因组变化，这些变化在治疗前的样本中并不存在。没有获得基因组变化的样本没有在图中显示。
免疫表型变化：除了基因组变化，免疫表型的变化也可能与获得性耐药有关。
驱动突变：图中的oncoprint（一种基因突变的可视化表示方法）展示了在免疫治疗开始前，即基线时确定的驱动突变。这些突变可能与肿瘤的发展和耐药性有关。
排除的变异：预测为良性的变异或来自不确定潜能的克隆性造血的变异没有在图中显示。
治疗响应：图例中包括了完全缓解（CR）、部分缓解（PR）、疾病稳定（SD）的定义，这些是评估免疫治疗反应的临床指标。
PFS和治疗线：图中可能还涉及了无进展生存期（PFS）和治疗线的信息，这有助于了解患者在不同治疗阶段的基因组变化。
其他缩写：CTLA-4代表细胞毒性T细胞淋巴细胞相关蛋白4，ICI代表免疫检查点抑制剂，NSCLC代表非小细胞肺癌。
耐药机制的多样性：获得性耐药可能由多种机制引起，包括基因突变、基因拷贝数变化等，这些机制可能在不同的患者和肿瘤样本中有所不同。
治疗策略：了解这些获得性耐药的基因组和免疫表型变化对于开发新的治疗策略至关重要，可能需要针对特定的耐药机制设计个性化治疗方案。

四、结直肠癌中肿瘤-免疫细胞相互作用的空间分析

在这里插入图片描述

一作&通讯

作者类型	作者姓名	单位名称（中文翻译）
第一作者	Jia-Ren Lin	哈佛医学院Ludwig中心和系统药理学实验室，波士顿，马萨诸塞州，美国
第一作者	Shu Wang	哈佛-麻省理工学院生物物理学研究生项目，剑桥，马萨诸塞州，美国
通讯作者	Peter K. Sorger	哈佛医学院Ludwig中心和系统药理学实验室，波士顿，马萨诸塞州，美国

文献概述

文章通过高度多重标记的组织成像、3D重建、空间统计和机器学习技术，对结直肠癌的肿瘤形态学和分子特征进行了深入分析，揭示了肿瘤、免疫和基质细胞在结直肠癌中的复杂组装和高度肿瘤内变异性。

研究的主要发现和亮点包括：

利用多重标记成像分析显示肿瘤形态学和分子梯度相互交织。
肿瘤特征性细胞特征是大型、相互连接的结构。
3D TLS（三级淋巴结构）网络显示出内部模式变化。
在这个CRC队列中，PD1-PDL1相互作用主要发生在T细胞和髓样细胞之间。

文章还讨论了肿瘤形态学特征与分子状态之间的联系，以及肿瘤微环境（TME）的空间组织。研究指出，肿瘤遗传学强调肿瘤状态离散变化的重要性，而全标本成像揭示了类似于发育组织中的大规模形态和分子梯度。

研究者使用了先进的成像技术，如循环免疫荧光（CyCIF）和H&E（苏木精-伊红）染色，结合单细胞测序和微区转录组学，来分析93个FFPE（甲醛固定石蜡包埋）结直肠癌人类标本。这些标本涵盖了组织学和分子亚型。通过对连续切片的3D重建和监督机器学习，研究者发现结直肠癌的典型组织学特征通常是分级的，并且比2D中观察到的要大得多。

此外，文章还探讨了肿瘤侵袭边缘的免疫特征，以及PD1+ T细胞与PDL1+细胞之间的相互作用，这对于结直肠癌的免疫治疗具有重要意义。

研究发现，在大多数情况下，PDL1+的髓样细胞比肿瘤细胞更多，而且这些细胞更可能与PD1+ T细胞形成功能性的细胞-细胞相互作用，从而参与免疫抑制。

这项研究的结论是，结直肠癌的肿瘤内异质性（ITH）具有复杂的空间组织，这对于改善我们对肿瘤生物学的理解以及优化诊断和治疗至关重要。研究还指出，为了确保足够的空间分辨率，全切片成像（WSI）是必要的，尽管这会带来成本上的挑战。

重点关注

Figure 1 提供了结直肠癌（Colorectal Cancer, CRC）样本数据的概览：

(A) 数据收集策略：研究中包括93个结直肠癌（CRC）样本，这些样本以3D堆叠、单一全切片以及组织微阵列（Tissue Microarrays, TMAs）的形式提供。这表明研究采用了多种方法来捕捉肿瘤的三维结构和细胞组成。

(B) 组织病理学注释：在H&E染色的组织切片上，对六个感兴趣区域（ROIs）和三个侵袭边缘（A: budding, B: mucinous, C: pushing）进行了注释。左侧是H&E染色的图像，中间是ROIs的代表性图像，右侧是建筑特征的示意图。这显示了肿瘤的微观结构和不同区域的细胞组成。

(D) 单细胞测序（scRNA-seq）与CyCIF的细胞类型百分比比较：通过比较两种技术得出的细胞类型百分比，来验证CyCIF数据的准确性。这有助于了解不同技术在细胞类型分析中的一致性和差异。

(E) t-SNE分析：使用所有标记对CRC1/097的单细胞数据进行t-SNE（t-distributed Stochastic Neighbor Embedding）分析，展示了50,000个随机抽样的细胞。右侧的细胞类型图与图S1C中的颜色编码相同。t-SNE是一种用于高维数据可视化的降维技术，能够揭示细胞之间的相似性和差异性。

整体来看，Figure 1 为理解结直肠癌的细胞组成和空间结构提供了一个全面的视角。

五、利用机器学习，通过单细胞RNA测序数据预测肿瘤反应性T细胞受体

一作&通讯

角色	姓名	单位名称（中文）
第一作者	C. L. Tan	德国癌症研究中心神经免疫学和脑肿瘤免疫学部
通讯作者	M. Platten	德国癌症研究中心神经免疫学和脑肿瘤免疫学部、曼海姆大学医学院神经学部
通讯作者	E. W. Green	德国癌症研究中心神经免疫学和脑肿瘤免疫学部、曼海姆大学医学院神经学部

文献概述

研究团队开发了一种名为“predicTCR”的机器学习分类器，它能够通过单细胞RNA测序数据（scRNA-seq）预测肿瘤反应性T细胞受体（TCRs），从而加速个性化T细胞疗法的开发。

主要内容包括：

目前，从患者衍生的肿瘤反应性TCRs的鉴定是个性化转基因T细胞疗法的基础，但这是一个耗时且成本高昂的过程。
研究团队结合高通量TCR克隆和反应性验证，训练了predicTCR分类器，它能够在抗原不可知的情况下，基于单个肿瘤浸润性淋巴细胞（TIL）的RNA测序数据，识别出肿瘤反应性TILs。
PredicTCR在多种癌症类型的TILs中识别肿瘤反应性TCRs的性能优于之前的基因集富集方法，特异性和敏感性（几何平均值）从0.38提高到0.74。
该分类器可以在几天内预测肿瘤反应性TCRs，从而加快了个性化T细胞疗法的制造过程。
研究还涉及了TIL治疗试验在转移性黑色素瘤中的成功，以及在非黑色素瘤癌症类型中的局限性。
研究团队使用了一种名为BT21的细胞系来模拟切除的转移病灶，并通过实验验证了TCR的肿瘤反应性。
通过对50个最常见的TIL衍生的TCR克隆型的TCR反应性数据进行训练，开发了predicTCR50分类器，并在来自不同肿瘤类型的外部生成的TIL数据集上进行了测试。
研究结果表明，predicTCR50在预测肿瘤反应性TCR方面具有高度的准确性和特异性，且在多种肿瘤类型中具有普适性。

这项研究的创新之处在于它提供了一种快速、自动化的方法来识别肿瘤反应性TCRs，这有助于加速个性化T细胞疗法的开发，并可能降低成本，提高临床应用的可行性。

重点关注

图1展示了BT21细胞系如何准确地模拟切除的转移性病变，允许进行高置信度的实验性TCR肿瘤反应性测试。

a. 实验和计算流程概述：TILs（肿瘤浸润性淋巴细胞）被分选并进行单细胞RNA测序加VDJ序列测定（scRNA + VDJ-seq）。相邻切除的肿瘤组织被用来建立BT21肿瘤细胞系。然后，TCR（T细胞受体）反应性数据与scRNA + VDJ-seq数据整合，用于训练predicTCR分类器，随后在来自不同肿瘤类型的外部生成的TIL数据集上进行测试。

b. TILs的无监督聚类（UMAP图）：来自脑转移样本的5,651个TILs的单细胞RNA测序数据，关键的T细胞亚型已被标注。

c. TIL TCR克隆型百分比频率及其在UMAP上的分布：展示了前20个TIL TCR克隆型的百分比频率及其在UMAP图上的分布，表明相同克隆型的细胞可以占据不同的表型状态。

d. T细胞与BT21细胞共培养：将转染了50个最常见TIL衍生的TCR克隆型之一的T细胞（代表58种不同的TCR α/β链对）与BT21细胞共培养；通过流式细胞仪测定的CD107a水平（在表达转基因TCR的mTCRβ+细胞上进行门控，该转基因TCR与小鼠恒定域形成嵌合体）显示了特定的TCR克隆型是否识别BT21细胞系。DMF5是HLA不匹配的阴性对照TCR。

e. BT21反应性TCR克隆型在TIL群体中的频率：BT21反应性TCR克隆型比非反应性克隆型在TIL群体中更常见。

f. BT21反应性测试结果映射到UMAP图：将BT21反应性测试结果映射到图b所示的UMAP图上。

总体而言，图1说明了BT21细胞系作为实验模型的有效性，并通过结合实验数据和计算方法，展示了如何训练和验证predicTCR分类器，以预测T细胞对肿瘤的特异性反应。

六、深度学习揭示膀胱癌中免疫细胞亚群的相互作用

一作&通讯

角色	姓名	单位名称（中文）
第一作者	Nicolaus F. Debatin	德国汉堡大学医学中心病理学研究所
通讯作者	Thorsten Schlomm	柏林夏里特医学院泌尿外科

文献概述

这篇文章通过应用先进的多重荧光免疫组化技术和深度学习框架，揭示了膀胱癌中不同免疫细胞亚群的空间相互作用及其对预后的影响。

研究使用了2463例尿路上皮性膀胱癌患者的组织样本，通过一种名为BLEACH&STAIN的多重荧光免疫组化技术，结合神经网络框架进行图像分析，来研究免疫细胞的空间参数，并将其与组织病理学参数和总生存数据进行比较。

研究发现：

识别了300多种不同的免疫细胞亚群及其空间关系，形成了众多的空间交互模式。
在单变量分析中，39个免疫参数显示出预后意义，其中16个与肌肉浸润性膀胱癌中的pT、pN和组织学分级无关。
所有参数中，与延长总生存期最强的关联是上皮内CD8+细胞毒性T细胞（时间依赖的受试者操作特征曲线下面积[AUC]：0.70），而基质中的CD8+ T细胞的相关性较小（AUC：0.65）。
具有高水平“耗竭标志物”（如TIM3、PD-L1、PD-1和CTLA-4）的炎症性癌症预示着良好的预后，这表明这些免疫细胞上的标记物并不阻碍富含肿瘤浸润性免疫细胞的肿瘤中的抗肿瘤免疫反应。

文章的结论是：

肌肉浸润性膀胱癌中上皮内CD8+ T细胞的密度是最强的预后特征。
考虑到CD8+细胞毒性T淋巴细胞通过直接细胞间接触杀死肿瘤细胞是抗肿瘤免疫的“终端途径”，“肿瘤细胞邻近的CD8+ T细胞”的数量可能成为衡量免疫系统识别癌症效率的替代指标，并且可以在常规病理学中直接测量作为CD8标记指数。

文章还讨论了研究方法的优势，包括BLEACH&STAIN技术的使用，以及深度学习框架在自动化细胞类型识别、距离测量和细胞相互作用分析中的应用。

研究结果强调了在肌肉浸润性膀胱癌中，免疫系统的作用以及特定免疫细胞亚群的空间分布与患者预后的密切关系。

重点关注

Fig. 1 描述的是 BLEACH&STAIN 框架，这是一个用于分析膀胱癌组织样本的多重荧光免疫组化技术和深度学习基础的图像分析方法。

在这里插入图片描述

(A) 本研究成功分析了 2463 例膀胱癌，使用了传统的 0.6 毫米和 4 毫米直径的组织微阵列格式。有关患者详细特征，请参阅补充表 1 和 2。

(D) 一个基于深度学习的图像分析框架，包括用于细胞分割的 U-Net 和用于标记检测以及肿瘤区域量化的 DeepLabv3+，使得对染色幻灯片的解释成为可能，以研究生物学上相关的空间协同作用。

(E) 输出数据（每个细胞的数据）进一步用于使用 X-shift 聚类和免疫细胞亚群的成熟表达模式来识别免疫细胞亚群。

(F) 这些免疫和肿瘤细胞亚群进一步根据相对的细胞间接触（相互作用）数量和细胞间距离来解释其空间协同作用。

简言之，Fig. 1 展示了一个从样本制备到图像分析，再到数据解释的完整流程，强调了使用深度学习技术来分析大量生物标记物的空间分布，以及这些数据如何帮助研究者理解肿瘤微环境中细胞之间的相互作用。

七、机器学习+单细胞数据驱动的CAR细胞疗法靶点识别

一作&通讯

作者角色	作者姓名	单位名称（中文）
第一作者	Joonha Kwon	韩国高等科学技术院生物与脑工程系
第一作者	Junho Kang	韩国高等科学技术院医学科学与工程研究生院
通讯作者	Hee Jung An	韩国CHA大学CHA Bundang医疗中心病理学系
通讯作者	Hae-Ock Lee	韩国天主教大学医学院微生物系
通讯作者	Jong-Eun Park	韩国高等科学技术院医学科学与工程研究生院
通讯作者	Jung Kyoon Choi	韩国高等科学技术院生物与脑工程系

文献概述

这篇文章的主要内容是关于嵌合抗原受体（CAR）细胞疗法在实体瘤治疗中的一个关键挑战：如何在肿瘤细胞与正常组织细胞之间区分并识别出最佳的靶抗原。

研究团队通过构建一个包含约140万单个肿瘤细胞、肿瘤浸润的正常细胞和来自412个肿瘤和12个正常器官的参考正常细胞的单细胞表达图谱，来解析组织的复杂性。

研究者们采用了两步筛选方法，利用随机森林和卷积神经网络技术来选择对区分单个恶性和正常细胞最有贡献的基因对。他们评估了基于成对基因在单个细胞中的组合表达模式的AND、OR和NOT逻辑门的肿瘤覆盖率和特异性。此外，研究还包括了通过单细胞转录组-表位分析验证在卵巢癌和结直肠癌中识别出的AND、OR和NOT开关靶标。

文章强调了使用单细胞数据来识别逻辑开关基础的CAR疗法目标的重要性，并指出传统的基于群体的平均或批量表达水平可能在识别治疗靶点时具有误导性。研究者们提出了一个计算流程，整合了来自不同来源的多种单细胞表达数据集，使用深度神经网络算法在单细胞分辨率下搜索表面抗原的逻辑组合。

最后，研究者们提供了一个公共的肿瘤-正常单细胞图谱资源，并展示了如何利用单细胞转录组数据通过他们设计的机器学习算法来识别CAR开关目标，以优化CAR逻辑设计，最大化抗肿瘤效果并最小化脱靶毒性。

研究结果不仅为CAR疗法提供了新的策略和见解，也为未来的研究和临床应用奠定了基础。

重点关注

Fig. 1 展示了单细胞图谱的构建和特征，这个图谱整合了肿瘤和正常细胞的单细胞转录组数据。

a. 数据整合流程：描述了研究者如何将不同的肿瘤单细胞数据集和正常细胞的单细胞图谱通过统一的标准化和整合流程结合起来。这个过程包括数据的质量控制、基因列表的映射、细胞类型的注释以及批次效应的校正。

b. 识别逻辑CAR开关的工作流程：利用随机森林（RF）和卷积神经网络（CNN）的两步筛选方法，对2802个癌症表面抗原进行了分析，以选择对判断每个细胞恶性程度贡献最大的基因和基因对。基因和逻辑组合的优先级是基于表达细胞分数（ECFs）确定的，并且将布尔逻辑门与单个细胞中的二元表达模式相匹配。

c. 癌症细胞图谱摘要：总结了癌症细胞图谱，包括来自17种癌症类型的1007413个细胞。每种癌症类型的样本数量在条形图上方标注。列出了包括ATC（间变性甲状腺癌）、BRCA（乳腺癌）、CRC（结直肠癌）等不同类型的癌症。

d. 单细胞聚类：对选定用于CAR靶标识别的肿瘤数据集进行了单细胞聚类。对肿瘤细胞和肿瘤浸润的正常细胞进行了细胞类型注释，包括BM（骨髓）、CMP（共同髓系祖细胞）、GMP（粒-单核祖细胞）、HSC（造血干细胞）等。

e. UMAP表示法：使用UMAP（均匀流形近似和投影）技术展示了正常细胞图谱，并与选定的肿瘤数据集中的肿瘤细胞和肿瘤内正常细胞进行了叠加。不同颜色标记了细胞的起源组织。

f. 细胞类型分布：以饼图（上）和条形图（下）的形式展示了我们图谱中细胞类型的分布。展示了通过几何草图技术进行的肿瘤细胞保留下采样后剩余的代表性细胞。tSNE（t分布随机邻域嵌入）用于数据的可视化。

整体来看，Fig. 1 为读者提供了一个从数据整合到靶标发现的完整视图，突出了单细胞技术在癌症研究和CAR-T细胞疗法中的应用潜力。

八、探索三级淋巴结构在肿瘤微环境中的相互作用及其对癌症预后的影响

一作&通讯

角色	姓名	单位名称（中文）
第一作者	Yuyuan Zhang	郑州大学第一附属医院放射介入科
第一作者	Yuqing Ren	郑州大学第一附属医院呼吸与危重症医学科
通讯作者	Xinwei Han	郑州大学第一附属医院放射介入科；郑州大学医学院；河南省介入治疗与临床研究中心
通讯作者	Zaoqu Liu	郑州大学第一附属医院放射介入科；河南省介入研究院；河南省介入治疗与临床研究中心

文献概述

这篇文章是关于三级淋巴结构（Tertiary Lymphoid Structures, TLS）在肿瘤免疫中的作用和临床应用前景的综述。

文章首先介绍了TLS的定义和功能，它们是类似二级淋巴器官的免疫细胞聚集体，具有相似的功能。

TLS通常与大多数癌症类型中的抗肿瘤免疫反应相关，但也可能表现为促肿瘤免疫反应。TLS功能的异质性主要由肿瘤浸润性淋巴细胞（Tumor-Infiltrating Lymphocytes, TILs）的组成和肿瘤相关TLS（TA-TLS）中细胞亚群的平衡决定。

文章强调了TLS在预测免疫检查点阻断（Immune Checkpoint Blockade, ICB）治疗的疗效中的潜力，并讨论了开发有效的TLS成像和诱导方法对于增强抗肿瘤免疫的重要性。文中提到，结合纳米探针、水凝胶、人工智能（AI）等技术，可以实现TLS的非侵入性体内可视化。

文章还探讨了TLS的组织和细胞结构，以及TLS形成和成熟涉及的途径和分子机制。描述了TLS中免疫细胞交叉作用对肿瘤免疫的双重效应，并强调了TLS作为癌症生物标志物的潜力。最后，总结了TLS的当前诱导策略，并讨论了未来发展的困境和解决方案。

此外，文章还讨论了成熟TLS的组成，包括T细胞、B细胞、滤泡树突细胞、树突细胞、基质细胞、巨噬细胞、内皮细胞和高内皮静脉等。特别指出了B细胞在肿瘤免疫中的新研究焦点，以及它们在TLS成熟度影响下的功能性研究。

文章还详细讨论了TLS的形成和成熟过程，以及TLS在肿瘤免疫中的作用，包括抗原呈递和B细胞分化为浆细胞的过程。此外，还探讨了不同细胞亚群在TLS中的作用，如滤泡辅助性T细胞（Tfh）和滤泡调节性T细胞（Tfr）。

最后，文章讨论了TLS作为肿瘤预后生物标志物的研究进展，包括TLS的数量、密度、位置等特征对不同疾病类型预后的影响。同时，也探讨了TLS检测和定量分析的方法，以及人工智能技术在TLS识别中的应用前景。

整体而言，这篇综述深入探讨了TLS在肿瘤免疫中的复杂作用，以及作为生物标志物在癌症治疗中的潜力和应用前景。

重点关注

表2展示了不同TLS特征在不同疾病类型中的预后效果。

TLS特征：表格区分了TLS的几种特征，包括数量和密度、位置、以及分子或组织特征。

数量和密度：高TLS密度在肝内胆管癌(iCCA)中通过多重免疫组化(mIHC)分析显示预后价值为阳性，意味着可能与更好的预后相关。
数量：在胰腺神经内分泌肿瘤中，TLS的非功能性特征通过H&E染色显示没有预后意义。
位置：肿瘤内的TLS(iCCA)通过mIHC在患者中显示预后价值为阳性，而肿瘤周围的TLS在iCCA中通过mIHC显示预后价值为阴性。这表明TLS的位置可能对预后有不同影响。
分子或组织特征：CXCL13在膀胱癌中的RNA测序分析中显示预后价值为阳性，表明这一分子特征可能与更好的预后相关。

预后价值：表格中的“阳性”和“阴性”分别代表TLS特征与疾病预后有正面或无明显关联。

实验对象：表格中的实验对象包括患者和动物模型（如小鼠），这表明TLS特征的预后效果在不同生物体中进行了研究。

参考文献：表格提供了每项研究的参考文献编号，便于读者进一步查阅详细资料。

综上所述，表2提供了TLS特征与不同疾病预后之间关系的概览，强调了TLS在肿瘤免疫和癌症治疗中的潜在重要性。