文章概述

文章标题：《Interferon-stimulated neutrophils as a predictor of immunotherapy response》

发表日期和杂志：2024年发表在上Cancer Cell.

在线阅读链接：https:///10.1016/j.ccell.2023.12.005

背景知识：

免疫治疗是癌症治疗的一个重要领域，但目前的生物标志物在预测免疫治疗反应方面存在局限性。

本文中，研究者们发现了一种新的生物标志物——干扰素刺激的Ly6Ehi中性粒细胞，它们在小鼠和人类的血液中与免疫治疗反应强烈相关。

研究方法

1. 单细胞RNA测序（scRNA-seq）：利用单细胞RNA测序技术分析了来自不同免疫治疗反应的肿瘤模型中的GR1+中性粒细胞，以寻找与免疫治疗反应相关的细胞亚群。

2. 多种肿瘤模型：使用了多种小鼠肿瘤模型，包括4T1乳腺癌、LLC肺癌和RENCA肾癌模型，以及通过诱变产生的对免疫治疗有反应的肿瘤细胞克隆。

GR1+ myeloid cells were isolated from non-responding or responding 4T1, breast carcinoma murine tumors (5 mice pooled per sample) using magnetic beads and analyzed using scRNAseq.

数据链接：https://www.ncbi.nlm./geo/query/acc.cgi?acc=GSE226962

样品详情：

GSM7089057 Non-responding_Tumors, scRNA-seq
GSM7089058 Responding_Tumors, scRNA-seq
干扰素刺激中性粒细胞作为免疫治疗反应的预测因子

数据详情：提供的是标准三文件格式的数据，使用Read10X()函数批量读取之后创建seurat对象即可

主要结果

单细胞测序结果

通过结合单细胞RNA测序（scRNA-seq）和一个包含低免疫原性和高免疫原性克隆的临床前肿瘤模型（通过诱变生成），旨在识别能够预测免疫治疗反应的细胞状态，同时反映宿主细胞的肿瘤固有模式。

Ly6Ehi中性粒细胞的发现：

  • 发现了一种干扰素刺激的Ly6Ehi中性粒细胞亚群，这种细胞是由肿瘤固有的STING信号通路诱导的。
  • Ly6Ehi中性粒细胞作为一种肿瘤浸润性和血液中的预测性生物标志物，能够预测小鼠和人类对免疫治疗的反应（人类中的AUC ≈ 0.9）。

多种模型和癌症类型的验证：在多种模型和癌症类型中验证了Ly6Ehi中性粒细胞的预测能力，包括小鼠模型和人类样本。

4T1乳腺癌模型的建立

生成了 4T1 乳腺癌细胞系，其中包括一个经过诱变处理的克隆（4T1 M ），该克隆对抗 PD1 药物有反应，它源自一个无反应的亲本细胞系（4T1 P ），从而使得这两个相关的克隆之间可以进行具有生物学意义的比较

免疫原性变化：使用质谱细胞术（CyTOF）和流式细胞术，确认了突变克隆（4T1M）的肿瘤具有更高的免疫原性，表现为：

  • 免疫抑制细胞（如G-MDSCs和M-MDSCs以及PDL1+细胞）数量减少。
  • 抗肿瘤免疫细胞（如激活的B细胞和T细胞）数量增加。
  • Granzyme B水平升高（Granzyme B是一种与细胞毒性相关的蛋白酶，其水平升高通常与更强的免疫反应相关）。

髓系细胞研究分析

鉴于髓系细胞在肿瘤生物学中的多重作用，以及之前对T细胞生物标志物的广泛研究，研究者们决定专注于髓系细胞。

从对免疫治疗无反应和有反应的4T1肿瘤中分离出GR1+细胞，这些细胞代表了小鼠中的单核细胞和粒细胞免疫细胞。随后对这些GR1+细胞进行了单细胞RNA测序（scRNA-seq），以详细绘制GR1+亚群。

UMAP分析结果：

  • 对所有分离的GR1+细胞进行UMAP分析，揭示了两个主要的、一致的细胞群体，分别代表单核细胞和粒细胞表型，这与之前的文献一致。
  • 在单核细胞群体中，研究者们观察到巨噬细胞亚群的显著差异，与之前的发现一致。具体来说，对免疫治疗无反应的小鼠富含免疫抑制性的M2型巨噬细胞样细胞，而对免疫治疗有反应的小鼠富含炎症性的M1型巨噬细胞样细胞。

由于在单核细胞群体中没有发现进一步的差异，转向在粒细胞群体中寻找生物标志物。

中性粒细胞亚群的发现：

  • 与髓系细胞已知的免疫抑制效应相悖，分析发现了一个中性粒细胞亚群，其数量随着对免疫治疗的反应而显著增加。

  • 这个亚群表现出192个不同基因的上调表达（>1.5 log2倍变化），其中30个基因的表达变化超过2 log2倍。这为在4T1模型中寻找与免疫治疗反应相关的细胞亚群提供了大量的候选生物标志物。

文末友情宣传

如果你也想做单细胞转录组数据分析，最好是有自己的计算机资源哦，比如我们的满足你生信分析计算需求的低价解决方案，而且还需要有基本的生物信息学基础，也可以看看我们的生物信息学马拉松授课，你的生物信息学入门课。

2025年也会继续学习分享单细胞内容，并且组建了交流群——承包你2025全部的单细胞转录组降维聚类分群，欢迎一起讨论交流学习！