影响因子：9.1
研究概述：免疫检查点抑制剂（ICIs）的应用带来了癌症治疗模式的转变，但癌症患者对 ICIs 的反应率仍然很低，不同癌症类型和不同患者对 ICIs 的疗效也存在相当大的异质性。尽管已发现多种指标可预测癌症患者的预后和对 ICIs 的反应，但预测效果较为有限。因此，目前还缺乏一种普遍适用于不同癌症类型的生物标志物。ICIs 的疗效取决于 T 细胞对肿瘤抗原的识别，主要组织相容性复合体（MHC）和 T 细胞受体（TCR）之间的相互作用促进了这一过程。主要组织相容性复合体 I（MHC-I）主要向 CD8+T 细胞展示内源性多肽抗原，MHC-Ⅱ（MHC-II）主要表达在专业抗原递呈细胞（APCs）上。考虑到 MHC 在癌症免疫编辑和免疫治疗中错综复杂的影响，研究其作为生存预测和免疫治疗反应预测预后标志物的潜力也至关重要。在这项研究中，作者自测了6个结直肠癌单细胞样本，通过对来自公共数据库的两个不同的 scRNA-seq ICIs 队列以及由总共 663,760 个细胞组成的 34 个 scRNA-seq 数据集进行系统分析，开发出MHC.sig。随后，作者分析了 30 个不同癌症类型的RNA-seq 数据、5个抗 PD-1 疗法的独立队列以及来自七项独立研究的 17 个 CRISPR 数据集。最后，作者纳入了来自复旦大学附属中山医院单细胞结直肠癌肝转移（CRLM）图谱的10x Genomics VISIUM空间转录组学数据集，以研究与MHC.sig相关的细胞相互作用。
研究结果：
基于泛癌症 scRNA-seq 开发 MHC 的转录特征
作者从既往研究中收集了21个MHC相关基因，随后基于 34 个 scRNA-seq 数据集构建了一个专门的 MHC 特征，称为 "MHC.sig"，通过筛选泛癌症 scRNA-seq 数据集中的 MHC 基因表达水平和 CytoTRACE 评分，作者得出了适合不同肿瘤类型的 MHC.sig（图1A）。随后作者通过富集分析进一步研究了 MHC.sig 所代表的生物学功能（图1B）。
MHC.sig 在细胞亚群中的分布以及 CRC 中关键细胞亚型的鉴定
为了进一步完善 MHC.sig 并评估其稳健性，作者对六名接受过手术治疗的 CRC 患者进行了 scRNA-seq分析。CRC 生态系统的组成主要包括上皮细胞、成纤维细胞、内皮细胞、巨噬细胞、单核细胞、DCs、T 细胞和 B 细胞（图 2A）。图 2B 描述了每种细胞成分的特定标记。为了进一步研究肿瘤间的异质性，作者比较了单个样本中细胞区的含量（图 2C）。不同类型的细胞在样本间表现出异质性，恶性和 T 细胞是最主要的成分。随后作者采用 CytoTrace 算法来探索内部 CRC scRNA-seq 数据中的 MHC 特征，筛选了与 CytoTrace 评分相关性小于-0.2 的 CRC 中关键 MHC 相关基因，通过与泛癌 MHC.sig 取交集，得到了最稳定的 MHC.sig：B2M、HLA-A、HLA-B、HLA-C、HLA-DPA1、HLA-DRA、HLA-DRB1、HLA-E、HLA-F、TAP1 和 TAPBP（图 2D）。图 2E 表明，与其他细胞亚型相比，恶性细胞的 MHC.sig 水平最低，巨噬细胞中的 MHC.sig 富集度最高。为了进一步探讨 MHC.sig 与巨噬细胞之间的关系，作者对巨噬细胞进行了重新聚类。巨噬细胞可分为 SPP1+ 巨噬细胞和 C1QC+ 巨噬细胞（图 2F）。先前的研究表明，SPP1+巨噬细胞与肿瘤预后恶化有关，而C1QC+巨噬细胞主要发挥细胞吞噬和抗原递呈功能。本研究与这一发现一致，因为C1QC+巨噬细胞中MHC.sig的富集程度明显高于SPP1+巨噬细胞（p < 0.0001，图2G）。
泛癌症RNA-seq队列揭示了MHC.sig的免疫唤醒作用
为了描述肿瘤内的免疫状态，作者收集了人类白细胞抗原（HLA）、免疫刺激因子和免疫抑制因子，对 MHC.sig 与这三类免疫相关基因之间的关系进行了全面分析，发现MHC.sig 与免疫相关基因的表达水平普遍呈正相关（图 3A），这表明肿瘤细胞可能通过上调 MHC 分子来增强抗原呈递，从而激活 T 细胞。然而，为了逃避免疫监视，肿瘤细胞也可能同时上调免疫检查点分子以抑制活化的 T 细胞，从而建立免疫逃逸机制。随后作者基于泛癌症 RNA-seq 数据进行了去卷积以评估免疫细胞浸润，发现MHC.sig 的升高与细胞毒性免疫细胞和抗原递呈免疫细胞水平的显著增加有关（图 3B）。为了探索与免疫激活和免疫治疗反应相关的通路是否在高MHC.sig肿瘤中上调，作者还分析了泛癌症RNA-seq数据中与MHC.sig得分显著相关的通路评分，图 3C 中表明在高 MHC.sig 肿瘤（尤其是甲状腺癌和肺鳞癌）中，干扰素相关通路和炎症反应通路明显富集，这些途径与良好的免疫治疗反应有关。
筛选 MHC.sig 的治疗靶点并评估 ICIs 反应
作者从 7 个队列中收集了 CRISPR 数据，共包括 17 个数据集，包含了 22,505 个基因， z-score高的基因被定义为免疫抵抗基因，而z-score低的基因被归类为免疫敏感基因。作者假设，敲除免疫抗性基因可以增强抗肿瘤免疫，而敲除免疫敏感性基因则可能导致免疫抑制。图4A分别展示了前 8 个免疫抗性基因和前 8 个免疫敏感性基因。MHC.sig中的B2M被确定为一个显著的免疫敏感基因。接下来，作者计算了 MHC 和免疫疗法相关特征基因中排名靠前的基因所占的百分比，结果显示，与其他与免疫疗法疗效相关的特征基因相比，MHC.sig相关基因在CRISPR数据集中发现的潜在免疫疗法敏感基因中所占的比例更高（图4B）。在前80%的基因中，有8个MHC.sig相关基因，包括B2M、TAP1、TAPBP、HLA-DOA、HLA-DMB、HLA-DQA1、HLA-DMA和HLA-DRB1，这些基因被认为是适合与ICIs进行泛癌协同作用的潜在治疗靶点（图4C）。随后作者进一步验证了 MHC.sig 在免疫疗法数据集中预测 ICIs 疗效的性能，发现在 Gide SKCM（p = 0.02，图 4D）、Kim GC（p = 0.01，图 4E）和 Mariathasan UC（p = 0.01，图 4F）数据集中，与低 MHC.sig 组相比，高 MHC.sig 组的 ICIs 反应者比例明显更高。这些研究结果表明，MHC.sig 可以作为预测癌症患者对免疫疗法反应性的新靶点
ScRNA-seq结合空间转录组分析与MHC.sig相关的枢纽细胞通讯
由于巨噬细胞中MHC.sig明显富集（图2E），作者在内部单细胞RNA-seq数据集中进行了分析，研究两种不同巨噬细胞亚型与恶性细胞之间的细胞串扰，利用圆图和弦图直观地表示了细胞通讯的强度和数量（图 5A 和 B），发现与 SPP1+ 巨噬细胞相比，C1QC+ 巨噬细胞与恶性细胞的相互作用增强了。具体来说，APP-CD74 轴是源自恶性细胞的关键调控轴，在 C1QC+ 巨噬细胞与恶性细胞的相互作用中发挥着重要作用（图 5C）。相反，当恶性细胞为靶细胞时，在 C1QC+ 巨噬细胞中观察到一组特定的 "受体-配体 "相互作用，即 COLLAGEN 通路信号，而在恶性细胞与 SPP1+ 巨噬细胞的相互作用中却没有这种信号（图 5D）。作者进一步利用SCENIC算法推断了SPP1+巨噬细胞和C1QC+巨噬细胞中的转录因子活性，突出了这两种亚型之间的调控差异。为了进一步评估恶性肿瘤细胞和C1QC+巨噬细胞的空间特征，作者分析了一名CRC患者的空间转录组数据，确定了七种不同的细胞亚型（图 5E）。通过推断 C1QC+巨噬细胞和恶性细胞的空间浸润得分，结果表明两者之间存在显著的正相关性（图 5F）。这可能反映了肿瘤微环境中的相互作用，包括巨噬细胞试图清除恶性细胞或参与肿瘤相关炎症反应。
寻找靶向C1QC+巨噬细胞和恶性细胞的潜在治疗药物
最后，作者利用 GDSC 数据库中的药物信息，计算了 TCGA 数据库中 C1QC+巨噬细胞和 CRC 队列中恶性细胞不同组合的药物敏感性特征。通过对 GDSC 细胞系数据进行岭回归并进行十倍交叉验证来构建模型，得到了令人满意的预测准确度并计算了每个样本中不同药物的 IC50 值。结果显示，在同时富集了高C1QC+巨噬细胞和恶性细胞的样本中，有几种药物表现出高IC50值的特征，包括阿法替尼、BMS-536924、曲美替尼、萨非替尼、拉帕替尼、SCH772984、ERK-6604、阿塞他拉和乌利昔替尼（图6A-I）。这些发现为指导临床应用免疫疗法和化疗联合疗法时化疗药物的选择奠定了基础。
研究总结
通过整合泛癌 scRNA-seq 和 RNA-seq 数据，作者提供了一种新的基因表达特征 MHC.sig，用于预测泛癌中的免疫治疗反应，并证明了 MHC 与肿瘤微环境特征（包括 C1QC+ 和 SPP1+ 巨噬细胞）的关联，以巨噬细胞为重点的进一步探索可能会提供更有效的联合免疫疗法。
