单细胞多组学与空间成像技术在淋巴瘤免疫微环境研究中的应用

1. 研究背景与核心问题

在B细胞非霍奇金淋巴瘤的临床治疗中，免疫微环境特征正成为影响治疗效果的关键因素。作为肿瘤微环境中最主要的免疫细胞群体，T细胞的状态和功能直接影响着免疫治疗的响应率。然而长期以来，我们对不同亚型B细胞淋巴瘤中T细胞的特征认知存在三个关键空白：

首先，传统流式细胞术受限于抗体面板的覆盖范围，难以全面解析T细胞的异质性。以弥漫大B细胞淋巴瘤（DLBCL）为例，临床常用的CD4/CD8分型仅能区分主要亚群，而最新研究显示其微环境中至少存在14个功能各异的T细胞亚群。

其次，不同淋巴瘤亚型的T细胞浸润模式缺乏系统性比较。滤泡性淋巴瘤（FL）、边缘区淋巴瘤（MZL）、套细胞淋巴瘤（MCL）等亚型在病理特征和临床进程上差异显著，但其T细胞微环境的组成差异尚未建立定量关联。

更重要的是，空间维度信息的缺失限制了我们对T细胞-肿瘤细胞互作的理解。临床活检样本中，耗竭性T细胞常呈现灶性分布特征，这种空间异质性如何影响治疗效果仍不清楚。

2. 多组学技术路线设计

2.1 技术组合的科学依据

本研究创新性地采用"单细胞多组学+空间成像"的整合分析策略，其技术选型具有明确的互补性考量：

CITE-seq（单细胞转录组与表位测序）解决了传统单细胞RNA测序蛋白标记信息不足的问题。通过同时检测RNA和227种表面蛋白，既保留了转录组的全基因组覆盖优势，又获得了关键蛋白标志物的直接证据。这种多模态数据特别适合T细胞亚群鉴定，因为许多功能亚群（如耗竭性T细胞）需要同时依据转录因子（如TOX）和表面标志物（如PD-1、TIM-3）来准确定义。

CODEX（协同多标成像技术）的空间分辨率达到单细胞级别（1μm/像素），支持35种标记物的同步检测。相较于常规免疫荧光（通常≤7色），其多参数特性允许在同一组织切片上完整呈现T细胞亚群分布、肿瘤细胞定位及空间邻域关系。这对于解析淋巴瘤特有的组织结构（如FL的生发中心、DLBCL的弥漫浸润模式）至关重要。

2.2 样本策略与实验质量控制

研究团队采用了阶梯式的样本验证策略：

• 发现队列：51例样本进行CITE-seq（涵盖4种淋巴瘤亚型及正常对照）
• 验证队列：63例样本进行13色流式验证
• 独立队列：50例样本用于定量分析
• 空间分析：19例样本的35个组织芯片（TMA）进行CODEX成像

在单细胞实验质控方面，研究者设定了严格的阈值：

• 每个细胞至少检测500个基因
• 线粒体基因占比<20%
• 双细胞率<5%（通过DoubletFinder软件评估）
• 批次效应校正采用Seurat的CCA算法，确保不同样本间数据可比性

3. 核心分析流程解析

3.1 T细胞亚群定义方法学创新

研究团队开发了多模态加权聚类算法，其技术实现包含三个关键步骤：

1. 特征加权：对RNA和蛋白数据分别进行标准化（SCTransform for RNA, centered log-ratio for ADT），然后基于变异系数赋予不同权重。例如，CD4蛋白的表达变异系数较高（CV=1.8），其权重（0.7）就显著高于低变异的CD3ε（CV=0.5, 权重0.3）。

2. 图融合：分别构建RNA和蛋白的K近邻图（K=20），通过图卷积网络（GCN）进行融合，生成共享的细胞-细胞相似性矩阵。这种方法保留了各模态的独有信号，避免了简单的数据拼接导致的信号稀释。

3. 共识聚类：采用Leiden算法在融合图上进行多分辨率聚类（resolution=0.8），最终获得14个T细胞亚群。与单一模态聚类相比，该方法将亚群间的轮廓系数从0.21提升至0.35，显著改善了类间分离度。

3.2 空间分析的技术突破

CODEX数据的处理面临三大挑战：

1. 组织自发荧光（尤其FFPE样本）
2. 抗体交叉反应
3. 百万级细胞的分析规模

研究团队开发了RAPID（Rapid Analysis of Protein and Immune Dynamics）分析管线，其核心技术包括：

• 基于Tensor的荧光反卷积：采用非负矩阵分解（NMF）分离各通道信号，将串扰误差从常规的15-20%降至5%以下。

• 深度学习辅助细胞分割：训练U-Net模型识别DAPI染色核边界，结合膜标记物（CD45）预测完整细胞轮廓。在淋巴组织这类细胞密集区域，其分割准确率（IoU=0.82）显著优于传统 watershed算法（IoU=0.65）。

• 空间邻域分析：定义每个细胞的25个最近邻（半径≈50μm），通过k-means聚类识别12种细胞邻域类型。例如在DLBCL中发现的"免疫豁免"邻域（肿瘤细胞占比>80%，T细胞密度<5个/mm²）就与临床耐药显著相关（p=0.003）。

4. 关键发现与临床启示

4.1 耗竭性T细胞的分化轨迹

通过RNA velocity和SCENIC分析，研究者揭示了细胞毒性T细胞的两条分化路径：

1. 记忆样分支：TCF7+ → TCF7dim PD-1+ → 终末耗竭（PD-1hi TIM-3hi）
2. 效应分支：GZMBhi → GZMKhi → 终末耗竭

空间分析显示，终末耗竭T细胞在DLBCL中呈现特征性的"肿瘤巢"分布模式——与肿瘤细胞直接接触的比例高达73%，而记忆样T细胞主要分布在间质区（接触率<15%）。这种空间定位差异解释了为何耗竭T细胞比例与预后显著相关（HR=2.4, 95%CI 1.6-3.5）。

4.2 克隆扩增的亚型特异性

通过单细胞TCR测序，研究发现不同淋巴瘤亚型存在独特的克隆扩增模式：

• DLBCL：以PD-1+TIM-3+细胞毒性T细胞克隆扩增为主（克隆大小>10的占35%）
• FL：滤泡辅助T细胞（TFH）克隆扩增显著（克隆型共享率62%）
• MZL：独特存在IKZF3+调节性T细胞与TFH的克隆共享（约40%克隆型重叠）

值得注意的是，这些克隆扩增特征在初治患者中就已存在，提示其可能反映了淋巴瘤发生早期的免疫编辑过程。

5. 数据复现实操指南

5.1 原始数据获取

本研究数据分布在三个平台：

1. GEO数据库（单细胞数据）：
   • GSE252608（CITE-seq）
   • GSE252455（scTCR-seq）
2. BioStudies（CODEX图像）：
   • S-BIAD565
3. Figshare（流式数据）：
   • DOI:10.6084/m9.figshare.24915633

推荐使用GEOquery和Seurat的组合进行数据下载与整合：

r复制library(GEOquery)
library(Seurat)

# 下载CITE-seq数据
geo <- getGEO("GSE252608")
counts <- exprs(geo[[1]])
metadata <- pData(geo[[1]])

# 创建Seurat对象
seu <- CreateSeuratObject(counts = counts, meta.data = metadata)

5.2 分析流程复现

GitHub仓库提供了完整的分析代码（github.com/Huber-group-EMBL/CITEseqLN-Tcells）。对于临床研究人员，我们建议重点关注以下分析模块：

1. 亚群注释：

r复制# 加载参考模型
ref <- LoadH5Seurat("reference_model.h5Seurat")

# 映射新数据
query <- MapQuery(
  reference = ref,
  query = seu,
  anchorset = FindTransferAnchors(ref, seu)
)

2. 生存分析：

r复制library(survival)
coxph(Surv(PFS, status) ~ Tex_Score + IPI, data = clinical)

3. 空间分析：

python复制# 使用rapidpy进行CODEX数据分析
from rapidpy import CODEXProcessor
processor = CODEXProcessor("image.tiff")
processor.segment_cells()
processor.extract_features()

6. 技术局限与改进方向

尽管研究设计全面，但仍存在几个关键技术限制：

1. 空间分辨率：CODEX的1μm/像素虽能识别细胞定位，但不足以观察免疫突触等亚细胞结构。最新发展的MultiOmyx技术（500nm分辨率）或可解决此问题。

2. 动态监测：所有样本均为单时间点活检，无法捕获治疗过程中的T细胞演化。正在进行的TRACERx Lymphoma研究采用连续液体活检（ctDNA+TCR-seq）有望弥补这一缺口。

3. 功能验证：耗竭T细胞的预后价值需要类器官共培养实验验证。我们实验室近期建立的淋巴瘤类器官-免疫细胞共培养系统（培养成功率>70%）可作为理想平台。

对于希望开展类似研究的团队，建议优先考虑以下技术组合：

• 单细胞多组学：CITE-seq + scATAC-seq（表观遗传调控）
• 空间分析：CODEX + Visium（转录组空间定位）
• 功能验证：高内涵成像流式（ImageStream）