肺癌仍然是癌症相关死亡的主要原因，占所有癌症死亡人数的20%以上。肺腺癌（LUAD）是一种非小细胞肺癌（NSCLC），是最常见的亚型，具有独特的细胞和分子特征。

肿瘤免疫微环境（TIME）是LUAD异质性的主要来源，影响疾病进展和治疗反应。众所周知，免疫细胞在肿瘤中的位置决定了它们的功能。因此，了解TIME的空间景观将为疾病进展提供新见解。

2023年2月1日发表在Nature上的文章，使用高度多路成像质量细胞仪（IMC），研究人员询问了与LUAD患者的临床结果相关的TIME的空间解析特征。研究人员通过使用深度神经网络模型证明了各种临床结果。

IMC定义了LUAD的空间景观

研究人员对416名LUAD患者的样本应用了IMC，结果显示在TIME中，巨噬细胞和T细胞种群之间存在跨LUAD模式的潜在相互作用。研究人员调查了单个细胞类型的频率作为每个图像中总细胞的百分比来评估免疫人群与临床或病理变量之间的关系，发现了几种细胞类型的既定生存关联，但大多数是由特定临床或病理组的丰富性驱动的，除了生存关联外，还发现了细胞频率和特定临床亚群之间的其他关系。

为了深入了解LUAD TIME的细胞结构和空间组织，研究人员通过量化细胞-细胞空间关系来表征单个细胞之间的直接相互作用和通信模式，并得到中性粒细胞与折现关系促进肿瘤细胞渗入血管的能力一致，从而促进血液发生性转移，与其他组织学相比，固体占主导地位的LUAD的转移率最高。免疫浸润在固体模式中最高，主要由骨髓腔内的差异驱动。

在探索微环境中的细胞表型与生存的关系中，观察到一个独特的增殖性Ki-67⁺内皮细胞群体，其频率与总体生存率差和高级实体肿瘤有关，并发现内皮细胞与中性粒细胞的相互作用丰富。一直以来，pERK⁺CD4⁺ T细胞在中富集的低度轻质肿瘤，其中中性粒细胞-Treg细胞相互作用最低，在Treg细胞最丰富的高品位固体肿瘤中减少。这些发现一起提供了与更具攻击性的肿瘤相关的空间解决表型程序的快照，因为它们与肿瘤缺氧和免疫抑制性利基有关。

另一个重点是研究人员利用空间数据通过使用深度学习方法来预测临床结果。通过使用预训练的卷积神经网络模型利用了转移学习和选择了ImageNet数据集上预训练的深度残余网络架构，并试图利用我们的深度学习方法来解决一个具有临床意义的问题。在评估肿瘤内异质性时，发现来自同一肿瘤的两个不同核心之间的预测非常一致。尽管有这些有希望的结果，但确认肿瘤异质性仍然是准确临床和病理诊断的挑战，这一研究领域可能会从人工智能方法的应用中受益匪浅。

综上所述，本文应用了高度多路复用的IMC来描述LUAD TIME的蜂窝景观，确定了与包括患者生存在内的不同临床结果相关的细胞动力学和空间特征。未来的工作将侧重于使用低层技术，同时试图保持预测准确性，以实现翻译可行性。本文研发的预测工具取得了重要进展，这些工具使用临床和病理变量，并可能能够更有效地利用不断增长的辅助周系统疗法的武器库来改善癌症预后。

原始出处

Sorin, M., Rezanejad, M., Karimi, E. et al. Single-cell spatial landscapes of the lung tumour immune microenvironment. Nature 614, 548–554 (2023). https://doi.org/10.1038/s41586-022-05672-3