大家好，今天跟大家分享这篇题为Spatial Transcrip tome-Wide Profiling of Small Cell Lung Cancer Reveals Intra-Tumoral Molecular and Subtype Hetero geneity（小细胞肺癌癌症的空间转录全谱分析揭示肿瘤内分子和亚型异质性）小细胞肺癌（SCLC）是一种高度侵袭性的恶性肿瘤，其特征是快速生长和早期转移，容易对治疗产生抗性和并且容易复发。了解SCLC内部的空间异质性对于改善患者治疗结果和临床相关的亚型分类至关重要。
01
研究背景
小细胞肺癌（SCLC）是一种高度侵袭性的恶性肿瘤，其特征是生长迅速，转移早，易出现治疗耐药和复发。了解 SCLC 的肿瘤内空间异质性对于改善患者预后和临床相关亚型至关重要。在这项研究中，使用 GeoMx 数字空间分析技术对 25 名 SCLC 患者进行了亚组织学分辨率的空间全转录组分析。
该分析破译了肿瘤内多区域异质性，其特征是空间定位组织学区域内不同的分子谱、生物学功能、免疫特征和分子亚型。还建立了不同转录本定义的肿瘤内表型之间的联系及其对患者生存和治疗反应的影响。最后，根据肿瘤内异质性水平的普遍性，确定一种称为ITHtyper的基因特征，该特征能够根据大量RNA-seq图谱对患者进行风险分层。
ITHtyper的预后价值在独立的多中心患者队列中得到了严格的验证。本研究介绍了一种初步的以肿瘤为中心的区域靶向空间转录组资源，揭示了 SCLC 中以前未探索的肿瘤内空间异质性。这些发现有望改善肿瘤重分类，并促进SCLC患者个性化治疗的开发。
见图一
SCLCs的转录组范围空间分析。
图一
（A） 研究工作流程示意图。整个过程包括TMA构建、荧光抗体孵育、探针杂交、ROI选择和分割、条码测序、DSP数据处理和分析。
（B） 来自 25 名 SCLC 患者的 79 个 ROI 的示意图。
（C） 显示 ROI 之间成对空间物理距离 （SPD） 分布的直方图。距离与μm一起使用。
（D） ROI 数量的直方图，平均表达式以对数格式表示。平均表达式用 log 进行转换2（x + 1）。DSP，数字空间轮廓;TMA，组织微阵列;投资回报率，感兴趣的区域。
见图二
与 DSP 鉴定的肿瘤内 ROI 相关的不同表达模式。
图二
（A） 使用 DSP 转录组图谱基于 t-SNE 的所有 ROI 的 2D t-SNE 图。
（B） 热图显示了基于前 200 个 HVG 分布在三个不同聚类中的 75 个 ROI 的分层聚类。
（C） 箱形图显示了三个 ROI 聚类之间的 ITH 分数。C1为高ITH表型（简称h-ITH），C2为中ITH表型（简称m-ITH），C3为低ITH表型（简称l-ITH）。使用 Wilcoxon 检验（两个聚类）和 Kruskal-Wallis 检验（三个聚类）计算 p 值;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
（D） SCLC 肿瘤组织的 H&E 染色与 ROI 信息。红色代表 h-ITH 投资回报率;黄色代表 m-ITH 投资回报率;蓝色表示 l-ITH 投资回报率。
（E） 火山图显示了不同 ITH 表型（h-ITH vs m-ITH/l-ITH;m-ITH vs h-ITH/ l-ITH 和 l-ITH vs h-ITH/m-ITH）之间差异表达的基因。每种表型的特异性表达基因（FC > 1.5，p ≤ 0.05）均用相应的ITH表型颜色突出显示。
（F） 具有颜色注释的 ITH 表型的基因-基因共表达网络。
（G） ClueGO显示h-ITH表型、m-ITH表型和l-ITH表型富集的生物学过程的网络图。DSP，数字空间轮廓;HVGs，高度可变的基因;ITH， 肿瘤内异质性;PCA， 主成分分析;投资回报率，感兴趣的区域。
见图三
肿瘤内空间亚肿瘤微环境中免疫特征的表征。
图三
（A） 条形图显示了使用 CIBERSORT 算法通过空间 RNA 表达估计的 22 个免疫细胞的相对浸润丰度。
（B，C） 箱形图显示了 CIBERSORT、TIMER 和 MCPCOUNTER 算法估计的 h-ITH、m-ITH 和 l-ITH 表型中 CD8+ T 细胞的浸润丰度。使用 Wilcoxon 检验（两个聚类）和 Kruskal-Wallis 检验（三个聚类）计算 p 值;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
（D） CD8 h-ITH、m-ITH 和 l-ITH 表型的 IHC 染色图像。条形图显示了 h-ITH、m-ITH 和 l-ITH 表型之间 CD8 H 评分的差异。误差线表示平均值± SEM。p 值使用 Wilcoxon 检验（两个聚类）和 Kruskal-Wallis 检验（三个聚类）计算;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
（E） 热图显示 h-ITH、m-ITH 和 l-ITH 表型中共刺激和共抑制分子的表达水平。通过Wilcoxon检验（两个聚类）和Kruskal-Wallis检验（三个聚类）计算p值;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
见图四
空间肿瘤内异质性与患者的生存和治疗结果相关。
图四
（A） SCLC 患者水平的 ROI ITH 表型百分比。
（B） 显示不同患者组之间 C 评分分布的条形图。使用 Wilcoxon 检验（两个聚类）和 Kruskal-Wallis 检验（三个聚类）计算 p 值;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
（C） HCs-TME 和 LCs-TME 患者之间 OS 和 DFS 的 Kaplan-Meier 分析。P值是用对数秩检验计算的。堆叠条形图显示了 SCLC 患者 HCs-TME 和 LCs-TME 上 OS 和 DFS 状态的分布。p 值使用 Fisher 精确检验计算。DFS，无病生存期;OS，总生存期。
见图五
SCLC中空间肿瘤内异质性与常规分子分类的关联。
图五
（A） 显示 ROI 显性转录亚型的热图。
（B） 条形图显示 SCLC 患者水平 ROI 中转录亚型的百分比。
（C） 显示 ROI 的 NE 亚型分布的条形图。
（D） 条形图显示 SCLC 患者水平的 ROI NE 亚型百分比。
（E） 桑基图，显示亚TME异质性表型与转录或NE亚型的关联。
（F） 显示 HCs-TME 和 LCs-TME 中常规分子亚型分布的饼图。p 值使用 Fisher 精确检验计算。
（G） 不同患者组无病生存期的 Kaplan-Meier 分析。P 值使用对数秩检验计算。
见图六
深度学习识别了空间分辨的基因特征。
图六
（A） 用于识别基因特征以区分 HCs-TME 和 LCs-TME 的计算策略的工作流程。
（B，C） ITHtyper 之间 OS 和 DFS 的 Kaplan-Meier 分析瞧表型和 ITHtyper你好训练集和测试集中的表型。P值是用对数秩检验计算的。
（D，E） 条形图，显示 ITHtyper 上 OS 状态和 DFS 状态的分布瞧表型和 ITHtyper你好表现型。P值使用Fisher精确检验计算。
（F） ITHtyper 之间 OS 的 Kaplan-Meier 分析瞧表型和 ITHtyper你好George&江队列的表型（n = 121）。P 值是使用对数秩检验计算的。
（G） Roper 队列（接受抗 PDL1 治疗）上 ITHtyper 的 ROC 曲线。点图显示了接受免疫治疗的 NCB 组和 CB 组之间 ITHtyper 评分的差异。使用 Wilcoxon 检验计算 p 值。H） 显示 ITHtyper 上 ICB 响应分布的条形图瞧表型和 ITHtyper你好表现型。DFS，无病生存期;OS，总生存期;ROC， 接收机工作特性;CB， 临床获益;NCB，无临床益处。
02
研究结论
综上所述，本研究提供了SCLCs的空间多区域转录组图景，揭示了独特的空间转录组特征，其特征是独特的分子谱、潜在的生物学过程、免疫表型和分子亚型多样性。这些特征与患者预后显著相关，并揭示了肿瘤内的异质性。这项以空间次区域为重点的研究为研究致瘤性 ITH 提供了宝贵的资源，并阐明了其潜在机制以及与 TIME 的相互作用。利用机器学习根据 ITH 评分对肿瘤进行分类是朝着在空间解析框架中理解 SCLC 迈出的第一步，有可能为改善临床转化环境中的患者分层铺平道路。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
01
研究背景
小细胞肺癌（SCLC）是一种高度侵袭性的恶性肿瘤，其特征是生长迅速，转移早，易出现治疗耐药和复发。了解 SCLC 的肿瘤内空间异质性对于改善患者预后和临床相关亚型至关重要。在这项研究中，使用 GeoMx 数字空间分析技术对 25 名 SCLC 患者进行了亚组织学分辨率的空间全转录组分析。
该分析破译了肿瘤内多区域异质性，其特征是空间定位组织学区域内不同的分子谱、生物学功能、免疫特征和分子亚型。还建立了不同转录本定义的肿瘤内表型之间的联系及其对患者生存和治疗反应的影响。最后，根据肿瘤内异质性水平的普遍性，确定一种称为ITHtyper的基因特征，该特征能够根据大量RNA-seq图谱对患者进行风险分层。
ITHtyper的预后价值在独立的多中心患者队列中得到了严格的验证。本研究介绍了一种初步的以肿瘤为中心的区域靶向空间转录组资源，揭示了 SCLC 中以前未探索的肿瘤内空间异质性。这些发现有望改善肿瘤重分类，并促进SCLC患者个性化治疗的开发。
见图一
SCLCs的转录组范围空间分析。
图一
（A） 研究工作流程示意图。整个过程包括TMA构建、荧光抗体孵育、探针杂交、ROI选择和分割、条码测序、DSP数据处理和分析。
（B） 来自 25 名 SCLC 患者的 79 个 ROI 的示意图。
（C） 显示 ROI 之间成对空间物理距离 （SPD） 分布的直方图。距离与μm一起使用。
（D） ROI 数量的直方图，平均表达式以对数格式表示。平均表达式用 log 进行转换2（x + 1）。DSP，数字空间轮廓;TMA，组织微阵列;投资回报率，感兴趣的区域。
见图二
与 DSP 鉴定的肿瘤内 ROI 相关的不同表达模式。
图二
（A） 使用 DSP 转录组图谱基于 t-SNE 的所有 ROI 的 2D t-SNE 图。
（B） 热图显示了基于前 200 个 HVG 分布在三个不同聚类中的 75 个 ROI 的分层聚类。
（C） 箱形图显示了三个 ROI 聚类之间的 ITH 分数。C1为高ITH表型（简称h-ITH），C2为中ITH表型（简称m-ITH），C3为低ITH表型（简称l-ITH）。使用 Wilcoxon 检验（两个聚类）和 Kruskal-Wallis 检验（三个聚类）计算 p 值;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
（D） SCLC 肿瘤组织的 H&E 染色与 ROI 信息。红色代表 h-ITH 投资回报率;黄色代表 m-ITH 投资回报率;蓝色表示 l-ITH 投资回报率。
（E） 火山图显示了不同 ITH 表型（h-ITH vs m-ITH/l-ITH;m-ITH vs h-ITH/ l-ITH 和 l-ITH vs h-ITH/m-ITH）之间差异表达的基因。每种表型的特异性表达基因（FC > 1.5，p ≤ 0.05）均用相应的ITH表型颜色突出显示。
（F） 具有颜色注释的 ITH 表型的基因-基因共表达网络。
（G） ClueGO显示h-ITH表型、m-ITH表型和l-ITH表型富集的生物学过程的网络图。DSP，数字空间轮廓;HVGs，高度可变的基因;ITH， 肿瘤内异质性;PCA， 主成分分析;投资回报率，感兴趣的区域。
见图三
肿瘤内空间亚肿瘤微环境中免疫特征的表征。
图三
（A） 条形图显示了使用 CIBERSORT 算法通过空间 RNA 表达估计的 22 个免疫细胞的相对浸润丰度。
（B，C） 箱形图显示了 CIBERSORT、TIMER 和 MCPCOUNTER 算法估计的 h-ITH、m-ITH 和 l-ITH 表型中 CD8+ T 细胞的浸润丰度。使用 Wilcoxon 检验（两个聚类）和 Kruskal-Wallis 检验（三个聚类）计算 p 值;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
（D） CD8 h-ITH、m-ITH 和 l-ITH 表型的 IHC 染色图像。条形图显示了 h-ITH、m-ITH 和 l-ITH 表型之间 CD8 H 评分的差异。误差线表示平均值± SEM。p 值使用 Wilcoxon 检验（两个聚类）和 Kruskal-Wallis 检验（三个聚类）计算;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
（E） 热图显示 h-ITH、m-ITH 和 l-ITH 表型中共刺激和共抑制分子的表达水平。通过Wilcoxon检验（两个聚类）和Kruskal-Wallis检验（三个聚类）计算p值;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
见图四
空间肿瘤内异质性与患者的生存和治疗结果相关。
图四
（A） SCLC 患者水平的 ROI ITH 表型百分比。
（B） 显示不同患者组之间 C 评分分布的条形图。使用 Wilcoxon 检验（两个聚类）和 Kruskal-Wallis 检验（三个聚类）计算 p 值;ns p > 0.05;p < 0.05;第 < 0.01，第 < 0.001。
（C） HCs-TME 和 LCs-TME 患者之间 OS 和 DFS 的 Kaplan-Meier 分析。P值是用对数秩检验计算的。堆叠条形图显示了 SCLC 患者 HCs-TME 和 LCs-TME 上 OS 和 DFS 状态的分布。p 值使用 Fisher 精确检验计算。DFS，无病生存期;OS，总生存期。
见图五
SCLC中空间肿瘤内异质性与常规分子分类的关联。
图五
（A） 显示 ROI 显性转录亚型的热图。
（B） 条形图显示 SCLC 患者水平 ROI 中转录亚型的百分比。
（C） 显示 ROI 的 NE 亚型分布的条形图。
（D） 条形图显示 SCLC 患者水平的 ROI NE 亚型百分比。
（E） 桑基图，显示亚TME异质性表型与转录或NE亚型的关联。
（F） 显示 HCs-TME 和 LCs-TME 中常规分子亚型分布的饼图。p 值使用 Fisher 精确检验计算。
（G） 不同患者组无病生存期的 Kaplan-Meier 分析。P 值使用对数秩检验计算。
见图六
深度学习识别了空间分辨的基因特征。
图六
（A） 用于识别基因特征以区分 HCs-TME 和 LCs-TME 的计算策略的工作流程。
（B，C） ITHtyper 之间 OS 和 DFS 的 Kaplan-Meier 分析瞧表型和 ITHtyper你好训练集和测试集中的表型。P值是用对数秩检验计算的。
（D，E） 条形图，显示 ITHtyper 上 OS 状态和 DFS 状态的分布瞧表型和 ITHtyper你好表现型。P值使用Fisher精确检验计算。
（F） ITHtyper 之间 OS 的 Kaplan-Meier 分析瞧表型和 ITHtyper你好George&江队列的表型（n = 121）。P 值是使用对数秩检验计算的。
（G） Roper 队列（接受抗 PDL1 治疗）上 ITHtyper 的 ROC 曲线。点图显示了接受免疫治疗的 NCB 组和 CB 组之间 ITHtyper 评分的差异。使用 Wilcoxon 检验计算 p 值。H） 显示 ITHtyper 上 ICB 响应分布的条形图瞧表型和 ITHtyper你好表现型。DFS，无病生存期;OS，总生存期;ROC， 接收机工作特性;CB， 临床获益;NCB，无临床益处。
02
研究结论
综上所述，本研究提供了SCLCs的空间多区域转录组图景，揭示了独特的空间转录组特征，其特征是独特的分子谱、潜在的生物学过程、免疫表型和分子亚型多样性。这些特征与患者预后显著相关，并揭示了肿瘤内的异质性。这项以空间次区域为重点的研究为研究致瘤性 ITH 提供了宝贵的资源，并阐明了其潜在机制以及与 TIME 的相互作用。利用机器学习根据 ITH 评分对肿瘤进行分类是朝着在空间解析框架中理解 SCLC 迈出的第一步，有可能为改善临床转化环境中的患者分层铺平道路。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
