导语

 
结果:

GBMAN 的四个主要亚群的组成
中性粒细胞是 GBM 中浸润程度较低的免疫细胞之一。为了全面了解 GBMAN 的景观,作者从九个数据集(图 S1 A-C)收集了原发性及复发性 IDH 野生型 GBM 样本的单细胞 RNA 测序数据。为确保准确性,作者仅纳入同时包含肿瘤细胞和微环境细胞的样本,并通过上游分析标准化参考基因组。进行了严格的质量控制(图 S1 D),并采用 BBKNN 算法消除批次效应[ 30 , 31 ]。结果,作者整合了一个包含 66 名患者 127 个样本共 498,747 个细胞的单细胞转录组大数据集(图. 1 A)。

GBMAN 的四个主要亚群的组成。(A) 使用 BBKNN 整合 9 个独立数据集中的 127 个人类 GBM scRNA-seq 数据。总共处理并整合了 498,747 个单细胞转录组,以减少批次效应并确保稳健的聚类。采用 UMAP 在二维空间中可视化高维数据。(B) 小提琴图展示了每个主要细胞群的关键基因表达情况。该图突出了已识别细胞群中的关键标记基因表达水平。每个小提琴的宽度代表基因表达的分布密度。(C) 中性粒细胞四个不同亚组的 UMAP 可视化。每个亚组用不同颜色标记以示区分。(D) 箱线图显示了四个亚组的 ROGUE 分数。(E) FeaturePlot 展示了四个标记基因在 UMAP 嵌入中的空间分布。(F) 热图描绘了四个中性粒细胞亚组之间的相关性。采用层次聚类评估亚组间基因表达谱的相似性,颜色代表相关系数。(G) 原发性和复发病例中四个中性粒细胞亚型的比例变化
在降维和聚类后,作者用详细的标记信息对细胞簇进行了注释,识别出 15 种不同的细胞类型,包括肿瘤相关中性粒细胞(TAN)、癌症相关成纤维细胞(CAF)
周细胞、内皮细胞、增殖性 CD8⁺ T 细胞、CD8⁺ T 细胞、CD4⁺ T 细胞、B 细胞、单核细胞、增殖性样 Mo_TAM、Mo_TAM、Mg_TAM、肿瘤细胞、增殖性样肿瘤细胞以及少突胶质细胞(图 3B)[4, 5]。未表达特定标记的细胞被归类为未知细胞。随后作者分离了 TANs,进行了二次降维和聚类,识别出四种 GBMAN 亚型:MNDA⁶ GBMAN、LGALS1⁷ GBMAN、ADM⁸ GBMAN 和 VEGFA⁹ GBMAN(图 10C)。每种亚型的特异性标记表达情况如图 11D 所示。
为验证这些亚组的有效性,作者评估了每个 GBMAN 亚型的纯度,发现所有四个亚型的 ROGUE 值均超过 0.9(图 1 E),表明纯度高且稳定[ 37 ]。相关性分析显示,MNDA + GBMAN 和 LGALS1 + GBMAN 具有相似特征,ADM + GBMAN 和 VEGFA + GBMAN 也是如此(图 1 F)。最后,亚组比例的比较表明,在复发性患者中,MNDA + GBMAN 的比例显著下降,而 VEGFA + GBMAN 显著增加(图 1 G)。这些发现表明,在 GBM 微环境中存在四种中性粒细胞亚型,其中 VEGFA + GBMAN 在复发性样本中更为突出。
GBMAN 的发展轨迹特征
TANs 尽管寿命短暂,但其发育过程中持续受到免疫微环境中各种因素的影响,导致其在发育过程中促肿瘤与抗肿瘤活性之间发生动态变化[55 ]。为精确绘制 GBMANs 的进化过程,作者采用扩散图方法分析原始 TANs,以探究其发育轨迹。该技术基于转换概率对细胞进行排列,从而更好地保留分化途径[ 56 , 57 ]。此外,通过应用 Palantir 算法,作者发现中性粒细胞逐渐从 MNDA + GBMAN 发育为 VEGFA + GBMAN(图 2 A-B)。值得注意的是,作者识别出 ADM + GBMAN 也表现出显著的分化潜能,提示该阶段中性粒细胞分化发生转变(图 2 C)。最后,利用 Cytotrace2 算法,作者证实 MNDA + GBMAN 在分化为 VEGFA + GBMAN 过程中,其干细胞评分逐渐降低(图 2 D),这一发现进一步得到 VECTOR 算法(图 S2 A)的证实。

GBMAN 发育轨迹特征。(A)四类中性粒细胞亚群的分布扩散图可视化。扩散图捕捉了数据的底层结构,揭示了四类中性粒细胞亚群的相对位置和关系。(B-D)特征图分别显示伪时间、分化潜能和干细胞评分。(E)箱线图比较了四类亚群中的 N2 评分。(F)基因轨迹根据伪时间内的表达模式进行聚类,并对 Gene Ontology 生物学过程(GO_BP)、分子功能(GO_MF)、细胞组分(GO_CC)和 KEGG 通路进行功能富集分析。(G)散点图描绘了伪时间(发育进程)与每类中性粒细胞亚群分化潜能之间的相关性。该图揭示了细胞沿伪时间轨迹进展时分化潜能的变化。(H)散点图显示了伪时间与关键功能状态(包括缺氧、糖酵解、干扰素-γ应答和免疫应答)之间的关联。 这些图说明了细胞功能状态如何沿着发育连续体演变
TANs 可以呈现两种表型之一:N1 或 N2。N2 表型被认为具有免疫抑制性,并在促进肿瘤生长中发挥作用[58 ]。使用 ssGSEA 算法,作者观察到 VEGFA + GBMAN 具有更高的 N2 评分(图 2 E)。为了阐明功能动态,作者将具有不同表达模式的基因聚类为四个阶段,并进行了 GO(BP/CC/MF)和京都基因与基因组百科全书(KEGG)富集分析(图 2 F)。这些分析显示,中性粒细胞最初参与防御和免疫反应,TNF 通路被激活以发挥细胞毒性作用。随着时间的推移,细胞迁移变得突出,由配体活性驱动,最终,白细胞迁移特征出现,表现出明显的缺氧特征。
作者随后进行了一阶导数拟合,以获得一条展示分化潜能随伪时间变化的曲线。二阶导数分析确定了三个关键伪时间点,这些时间点标志着中性粒细胞分化潜能的显著变化(图 2 G)。这些点对应于:(1)快速分化的初始阶段,(2)由特定因子诱导的分化变化,以及(3)加速分化的第二阶段。这些发现表明,中性粒细胞重编程在 ADM + GBMAN 阶段至关重要。最后,作者通过 ssGSEA 使用标志性基因集对每个细胞进行评分,并将数据拟合以追踪变化(图 2 H)。作者观察到,在缺氧和糖酵解条件不断增加的情况下,干扰素-γ和炎症反应最初会上升,直到 ADM + GBMAN 阶段,之后会迅速下降。这表明 GBMANs 最初有助于促炎和抗肿瘤反应,但随着缺氧和糖酵解的加剧,它们最终被重编程为免疫抑制性的 VEGFA + GBMAN。
GBMAN 亚群与其他细胞之间的细胞间通讯和细胞因子介导的转化
接下来,作者旨在阐明 GBMAN 与胶质母瘤微环境内其他细胞之间的相互作用。近期进展,如免疫词典的开发,已凸显细胞因子多效性的作用,为推断特定细胞因子的作用及免疫反应中细胞间通讯网络提供了框架[ 40 ]。利用中性粒细胞免疫因子反应数据,作者进行了矩阵相似性分析,发现 ADM + GBMAN 的形成主要由 IL18 和 IL36a 等因子刺激,而 VEGFA + GBMAN 则主要由 IL1a、IL1b、IL18 和 TNFa 触发(图 3 A)。

GBMAN 亚群与其他细胞之间的细胞间通讯和细胞因子介导的转化。(A)中性粒细胞亚群中免疫因子的富集结果。(B)壳图展示了每种中性粒细胞亚群与其他类型细胞的通讯强度。(C)点图显示了介导每种中性粒细胞亚群之间相互作用的特定配体-受体对
(source)和其它细胞类型(target)。(D-F)桑基图展示了与 VEGFA+ GBMAN 具有最强相互作用强度的三种细胞之间的配体-受体-转录因子-靶基因关系。
接下来,作者使用 CellChat 分析,识别了细胞间通讯模式,并比较了不同组间的通讯强度(图 3 B)。结果表明,所有亚组与基质细胞(例如 CAF 和内皮细胞)的相互作用更强,其次是肿瘤细胞和巨噬细胞。此外,比较原发性和复发样本发现,无论亚组是作为配体还是受体提供者,原发样本的信号强度都更强(图 S3 A-D)。
在从 MNDA+ GBMAN 分化为 VEGFA + GBMAN 的过程中,作者观察到当 TANs 作为源细胞时,SELL-CD34/PODXL 轴对内皮细胞表现出抑制作用,而 VEGFA-VEGFR1/VEGFR2 轴逐渐增强。此外,HBEGF-EGFR 轴在肿瘤细胞中显示出激活增强的趋势。在其他髓系和淋巴系细胞中,MIF-(CD74 + CXCR4)和 MIF-(CD74 + CD44)轴在 VEGFA + GBMAN 中尤为突出。当 TANs 作为受体细胞时,来自多个细胞来源的多个轴,如 SPP1/FN1/COL1A1-CD44 和 ANXA1-FPR1/FPR2,在 ADM + GBMAN 中显著突出(图 3 C)(图 S3E),这表明这些受体-配体对可能在驱动向 VEGFA + GBMAN 的转化和促进免疫抑制功能中起关键作用。
鉴于 VEGFA+ GBMAN 具有强烈的免疫抑制特性,作者进一步通过整合细胞间通路和细胞内亚网络(配体-受体-转录因子-靶基因)(图 3 D-F)(图 S3 F-G)来研究其对其他细胞的影响。这项分析结合了细胞类型特异性基因表达、先验网络信息和统计推断,揭示 VEGFA + GBMAN 主要通过 VEGFA、SPP1 和 PLAU 等配体主要影响 ITGB1。这种相互作用影响 HIF1A 和 TWIST1 等转录因子,导致 SERPINE1 等靶基因的激活,从而促进基质细胞的 ECM 重塑和血管生成,并促进肿瘤细胞的免疫逃逸。此外,VEGFA 和 HBEGF 等配体与 EGFR 相互作用,激活 STAT1 和 ETV4 等转录因子,导致 CCND2 等靶基因的表达,从而促进肿瘤细胞生长和发展。
GBMAN 亚型基因调控网络综合图谱
表观遗传调控在决定细胞表型和其重编程潜力中起着关键作用[59 ]。为了探索不同 GBMAN 亚型的表观遗传特征,作者首先评估了它们的基因组稳定性。作者的研究结果显示,从 MNDA + GBMAN 到 VEGFA + GBMAN,基因组不稳定性逐渐降低(图 4 A),这表明抗肿瘤免疫反应的抑制逐渐增强,且由于外部干预导致的功能改变的可能性降低。识别导致并维持这些细胞状态的关键基因调控网络(GRNs)可能为重编程 GBMANs 提供新的策略。作者采用了 SCENIC 分析,并对转录因子活性矩阵进行 PCA(图 4 B),结果显示 MNDA + GBMAN 和 VEGFA + GBMAN 之间存在明显差异。这表明四种 GBMAN 亚型在转录调控特征上存在逐渐分化的趋势。进一步分析确定了每种亚型的特定转录因子(图 4 C)。在主要组中,MNDA + GBMAN 与 CREB5 和 FOXP1 相关,LGALS1 + GBMAN 与 BHLHE41 和 CEBPE 相关,ADM + GBMAN 与 SRF 和 STAT4 相关,而 VEGFA + GBMAN 与 KLF10 和 SREBF1 相关。 在复发组中,MNDA + GBMAN 与 ZNF217 和 KLF7 相关,LGALS1 + GBMAN 与 RUNX3 和 POLE4 相关,ADM + GBMAN 与 NFAT5 和 EGR2 相关,而 VEGFA + GBMAN 与 ZNF432 和 ATF2 相关。

5+单细胞+机器学习,科研没头绪,不妨试试这个思路!
GBMAN 亚型的基因调控网络综合图谱。(A) 箱线图比较了不同亚组的基因组不稳定性评分,反映了四个 GBMAN 亚群中基因组变异的程度。(B) PCA 图展示了不同中性粒细胞亚群中转录因子活性模式的可视化。该图基于转录因子活性突显出不同的簇,揭示了亚群之间的关键调控差异及其在功能多样性中的潜在作用。(C) 原发组和复发组中不同中性粒细胞亚群的具体转录因子。(D-G) 左图显示了原发组和复发病例中不同中性粒细胞亚群差异的 GSEA 富集分析,右图展示了每个通路基因调控网络
为评估 GRNs 对 GBMAN 亚型在原发和复发阶段中通路变化的影响,作者对每个 GBMAN 亚型的差异表达基因进行了 GSEA 分析。随后基于转录因子-靶基因集分析了富集基因(图 4 D-G)。作者的分析显示,ZBTB14 通过调控 DIRC3 等基因上调原发性 MNDA + GBMAN 中的 KRAS 信号通路。此外,STAT1 通过调控 SLC39A7 等基因下调复发期 LGALS1 + GBMAN 中的干扰素-α反应通路,并通过调控 TAP1 下调复发期 ADM + GBMAN 中的 MYC 靶基因 V1 通路。研究发现,SPI1 通过靶向 CXCR1 和 CCNL2 等基因下调复发期 ADM + GBMAN 中的补体通路。这些结果表明原发性与复发期 GBMAN 之间存在显著的基因调控网络差异,且四个亚型间也表现出显著变化,每个网络调控着独特的功能。
VNRS 预测模型的建设与评估
鉴于胶质母细胞瘤(GBM)总体生存期(OS)短且肿瘤特征冷,开发有效的预后策略已成为 GBM 研究的核心焦点[27 ]。基于先前发现的 VEGFA + GBMAN 免疫抑制特征,本研究旨在构建一个稳健的预测模型,称为“VEGFA + 中性粒细胞相关特征”(VNRS)。利用 VEGFA + GBMAN 的特异性标记基因,作者识别出与预后相关的基因。通过基于 TCGA-GBM 样本的单变量 Cox 回归分析,作者识别出 67 个与风险比(HR)和基因表达相关的基因,如图 5 A 所示。

VNRS 预测模型的开发与评估。(A)图展示了 VEGFA+ GBMAN 亚组中差异表达基因的单变量分析结果。右图显示了 TCGA-GBM 队列中每个基因的表达情况。(B)热图总结了 117 个预测模型的构建及其在三个大型数据集中的对应一致性指数(C-index)。C-index 量化了每个模型的预测准确性,数值越高表示在区分结果方面的性能越好。(C)表格展示了三个独立队列中预测模型单变量回归分析的结果。(D)Kaplan-Meier 曲线比较了预测模型定义的高风险组和低风险组之间的总生存期(OS)。曲线同时展示了训练集(用于模型开发)和验证集(用于测试其泛化能力),显示了模型根据风险分层患者的能力。(E)ROC 曲线评估了模型在三个大型队列中 1 年、2 年和 3 年时间点的预测性能。 AUC 值被报告,反映了模型在不同时间间隔预测生存结果的准确性
为了开发一个一致的预后模型,作者额外收集了两个大型队列数据集作为验证集,并实施了一个基于机器学习的整合框架。具体来说,作者应用了“留一法交叉验证”(LOOCV)方法来拟合 117 个预测模型,并计算了训练集和验证集中每个模型的 C 指数,如图 5 B 所示。结合 StepCox(向后)和 plsRcox 的最佳模型实现了 0.643 的最高平均 C 指数。接下来,作者使用最佳模型对三个大型队列进行了单变量 Cox 回归的荟萃分析(图 5 C)。HR 值分别为 2.72、1.31 和 1.37,所有 p 值均小于 0.001。在荟萃分析中,随机效应模型和固定效应模型均得到 HR 值大于 1 的结果,p 值均低于 0.05。随后,作者根据 VNRS 模型计算的中位风险评分将样本分为高风险组和低风险组,并进行了对数秩生存分析(图 5 D)。 研究发现,在所有三个大型队列中,高风险组与不良预后显著相关,具有统计学意义。因此,该模型被命名为 VNRS 模型。最后,作者评估了该模型在三个大型胶质母细胞瘤队列中的 1 年、2 年和 3 年 ROC 曲线(图 5 E)。在 TCGA-GBM 队列中,曲线下面积(AUC)值分别为 0.766、0.763 和 0.803;在 Gravendeel 队列中,AUC 值分别为 0.631、0.717 和 0.812;在 LeeY 队列中,AUC 值分别为 0.666、0.654 和 0.639。这些结果表明,VNRS 模型具有强大的预测能力和鲁棒性。
验证 VNRS 模型优于已发表的预测模型
为评估 VNRS 模型的优越性,作者收集了 95 个先前发表的与胶质瘤相关的预测模型进行全面比较。在这三个大型队列中计算了这些 95 个模型的危险评分,并推导出相应的 HR 值(图 6 A)。结果表明,只有 VNRS 模型在所有队列中始终显示出与不良预后显著相关,HR 值超过 1 且 p 值小于 0.01,优于其他已发表的模型。此外,在比较 C 指数时,VNRS 模型在三个队列中均表现出优异性能,分别排名第二、第五和第一(图 6 B)。类似地,在几乎所有队列中,VNRS 模型的 1 年、2 年和 3 年 AUC 值始终处于最高水平,经常获得第一名(图 6 C-E)。这些发现表明,VNRS 模型具有很高的预测准确性和泛化能力。

验证 VNRS 模型相较于已发表预测模型的优越性。(A)热图比较所提出的模型与先前发表的与 LGG 和 GBM 相关的模型的 HR 值。HR 值代表模型的风险评分与患者预后之间的关联强度,较高的 HR 值表明预后性能更强。(B)模型 C 指数的结果与先前发表的与 LGG 和 GBM 相关的模型进行比较。C 指数量化模型的预测准确性,较高的值(接近 1)表明预后结果之间的区分度更好。(C-E)模型 1/2/3 年 AUC 值的结果与先前发表的与 LGG 和 GBM 相关的模型进行比较
 高 VNRS 风险 GBM 的免疫浸润和检查点激活
鉴于肿瘤免疫微环境在胶质母细胞瘤(GBM)中的重要作用,作者接下来评估了 VNRS 模型预测肿瘤免疫浸润的能力。根据 ESTIMATE 算法,较高的基质评分、免疫评分和 ESTIMATE 评分,以及较低的肿瘤纯度评分,表明具有高 VNRS 风险评分的肿瘤具有更高的免疫细胞浸润程度(图 7 A-D)。这一发现表明,VNRS 评分高的 GBM 纯度较低,这可能导致该亚组患者的预后较差。免疫浸润的整体水平不足以揭示高低风险组之间具体的细胞浸润差异,它们之间的关系尚不明确,促使作者进行进一步分析。通过总结免疫肿瘤学生物学研究[ 60 ]先前发表的与肿瘤相关的免疫细胞基因集,作者推断高低风险组之间免疫细胞浸润的水平(图 7 E)。 在 TCGA-GBM 的高风险组中,仅 CD8 T 细胞和辅助性 T 细胞显示出浸润水平降低,而免疫抑制性髓源性巨噬细胞、中性粒细胞和调节性 T 细胞显著增加,这进一步证实了 VNRS 模型在预测肿瘤发生和免疫抑制方面的作用。

高 VNRS 风险胶质母细胞瘤中的免疫浸润和检查点激活。(A-D) 小提琴图比较高、低风险组之间的基质评分、免疫评分、肿瘤纯度和 ESTIMATE 评分。这些评分反映了肿瘤微环境的组成。(E) 箱线图显示来自先前发表研究的免疫细胞基因集的 ssGSEA 评分。这些评分量化了高、低风险组中特定免疫细胞群体的相对丰度,揭示了免疫细胞浸润和激活的差异。(F) 箱线图显示全癌症免疫元基因的评分,这些基因代表了跨不同癌症类型的共识免疫相关基因特征。(G) 相关矩阵说明高、低风险组中 ICI 基因表达水平之间的关联。这项分析确定了这些基因之间潜在的共表达模式和相互作用,这些可能影响免疫逃逸或对免疫疗法的反应。(H) 箱线图比较高、低风险组之间 ICI 基因的表达水平。 这项分析揭示了关键免疫检查点分子的表达差异,为免疫景观和潜在治疗脆弱性提供了见解
随后,作者使用 Charoentong 等人总结的 28 种免疫细胞亚群的泛癌症 meta 基因验证了作者的结论,发现高风险组中巨噬细胞和中性粒细胞浸润水平更高,而趋化因子受体的活性也更高(图 7 F)。有趣的是,免疫检查点的活性也升高了。这促使作者探索高风险组和低风险组之间免疫检查点治疗的疗效差异。相关性分析显示,模型基因的表达与 46 个免疫检查点基因的表达之间存在强关联(图 7 G)。高风险组与 CD276、PDCD1 和 LGALS9 等免疫检查点分子的上调表达相关(图 7 H),表明 VNRS 风险评分较高的患者可能对相关免疫检查点抑制剂治疗更敏感。
 通过 VNRS 模型实现稳健的预后评估和治疗见解
由于 VNRS 模型基于 VEGFA+ GBMAN 的免疫抑制特性,作者试图确定它是否准确评估了样本中中性粒细胞产生的负面影响。使用 timigp 方法[ 51 ],作者识别了高危组和低危组中与良好或不良预后相关的细胞类型。作者的研究结果表明,在高危组中,中性粒细胞是导致不良预后的重要因素(图. 8 A)。有趣的是,在低危组中,中性粒细胞被确定为主要的益处细胞类型(图. 8 B)。细胞相互作用富集分析显示,在高危组中没有发现有益的中性粒细胞相关相互作用(图. 8 C)。然而,在低危组中,中性粒细胞与 Th1 细胞、Tγδ细胞和 CD4 记忆 T 细胞表现出有益的相互作用(图. 8 D)。这些发现表明,VNRS 模型能有效评估 GBM 患者中性粒细胞的免疫功能。作者随后检查了高危组和低危组之间的代谢模式差异(图. 8 E)。 在高风险组中,糖异生、糖酵解和磷酸戊糖途径显著上调,为癌细胞增殖提供能量,并促进肿瘤生长和存活。这些葡萄糖代谢途径还为肿瘤细胞提供了替代糖源,以满足其高能量和生物合成需求。进一步分析显示,高风险组中与结构分子降解相关的途径显著上调,这可能反映了细胞外基质重塑的增强,从而可能促进肿瘤侵袭和转移。该组中酶介导的药物代谢途径也上调,表明更强的解毒能力和药物耐药性,这可能降低治疗效果。此外,作者观察到高风险组中存在明显的缺氧特征,伴随细胞外囊泡和外泌体的产生和分泌增加(图 8 F)。这表明在缺氧条件下,细胞间通讯增强、微环境重塑以及肿瘤细胞免疫逃逸能力增强。 携带耐药分子的外泌体进一步增强了肿瘤细胞对治疗的耐药性。

通过 VNRS 模型进行稳健的预后评估和治疗见解。(A-B) 条形图展示了高风险和低风险评分组的有利预后因素。这些因素突出了每组中与更好临床结果相关的关键免疫细胞。(C-D) 散点图显示了基于高风险和低风险评分组中细胞间相互作用分析的有利预后细胞类型对。(E) 箱线图展示了高风险和低风险评分组之间的代谢差异。这项分析确定了每组中失调的关键代谢通路或代谢物,为与风险分层相关的代谢重编程提供了见解。(F) 箱线图比较了高风险和低风险评分组之间肿瘤相关基因特征的表达水平。这些特征代表了每组中差异激活的关键生物学过程或通路,为它们的预后差异提供了潜在的机制解释。 (G) OncoPredict 药物敏感性分析结果显示,药物(WIKI4 和 ZM447439)在高风险评分组与低风险评分组之间的 IC50 值
此外,作者使用 OncoPredict 平台对 GDSC2 数据集中的 198 种药物进行了药物敏感性分析。结果表明,Ribociclib、PF.4,708,671、WIKI4、ZM447439 和 WZ4003 在高风险组中表现出显著增强的敏感性,与其他药物相比,这表明它们具有作为靶向治疗的潜力(图 8 G)(图 S4 A)。此外,相关性分析揭示了这些化合物半数最大抑制浓度(IC50)值与 VNRS 风险评分之间存在统计学上显著的负相关关系(p < 0.05)——较低的 IC50 值与升高的风险评分密切相关(图 S4 B)。这种负相关关系进一步证实了高风险组患者对这些药物治疗的敏感性增强。同时,这也表明高风险组对化疗具有强烈的耐药性。
VNRS 模型基因在 RNA 和蛋白水平的表达验证
最后,作者利用 TCGA 和 GTEx 数据集验证了胶质母细胞瘤(GBM)和低级别胶质瘤(LGG)中基因的差异表达。结果揭示,CAST、CANX、KLF10、KDELR2、NDRG1、CLCN7、SLC20A1、TPRA1、SEC20D 和 DENND2D 在肿瘤样本中高表达,而 LGALS8 和 TOLLIP 在肿瘤样本中的表达水平较低(图 9 A-H)(图 S4 C-F)。作者从人类蛋白质图谱(HPA)中获取了高级别胶质瘤(HGG)和 LGG 样本的免疫组化数据,这些基因的蛋白表达数据证实了上述结果(图 9 I-L)(图 S5 A-G)。

验证 VNRS 模型基因在 RNA 和蛋白水平的表达。(A-H)TCGA 和 GTEx 数据库中肿瘤样本与正常样本之间风险模型基因 RNA 水平的差异。(I-L)HGG 样本与 LGG 样本之间 VNRS 模型基因蛋白水平的差异。

总结

本研究利用大规模单细胞 RNA 测序技术鉴定了不同的 GBMAN 亚群,分析了其发育轨迹、通讯模式和调控网络。研究特别关注了 VEGFA+ GBMAN 在促进免疫抑制性肿瘤微环境中的作用,并绘制了 GBMAN 的蓝图。随后,利用机器学习技术开发了 VNRS 模型,形成了一个新的预后模型。该模型在现有的胶质瘤风险模型中表现出相对更优的预测性能。VNRS 不仅作为 OS 的独立预后因素,还在评估 GBM 患者的免疫治疗反应和化疗疗效方面具有重要价值。作者的研究结果为中性粒细胞在 GBM 微环境中的作用提供了关键见解,并强调了 GBMAN 先前被低估的重要性。作者发现这些亚群之间存在显著的转录差异,表明它们在肿瘤微环境中具有潜在的功能多样性。 VNRS 模型为引导个性化治疗和改善胶质母细胞瘤患者预后提供了一个有前景的工具,同时也为新的免疫治疗策略铺平了道路。