这篇发表于《Cancer Cell》的研究通过空间转录组学技术，对肝细胞癌（HCC）中的三级淋巴结构（TLSs）进行了深入分析，为医学AI研究提供了丰富的空间转录组数据和细胞分型思路。

研究团队利用Stereo-seq技术实现了近单细胞分辨率的空间转录组图谱绘制，构建了TLSs的发育轨迹分类框架，将未成熟TLSs分为顺应性和偏离性两类，并结合机器学习方法（如卷积神经网络模型）对缺乏特定B细胞亚群的TLSs进行分类，这为AI在肿瘤微环境空间分析中的应用提供了方法参考。

研究揭示了肿瘤来源的色氨酸代谢对TLSs成熟的限制作用，发现偏离性TLSs中B细胞存在异常激活的色氨酸代谢，且恶性细胞的表观遗传异质性驱动了这一代谢微环境的形成。

这些发现为医学AI领域开发基于代谢特征的肿瘤免疫状态预测模型提供了生物学基础，例如可利用AI算法挖掘色氨酸代谢相关基因与TLSs成熟状态的关联模式，进而构建免疫治疗响应预测模型。

此外，研究通过体内实验验证了限制色氨酸代谢可促进TLSs成熟并增强抗PD-1治疗效果，这一结果为AI辅助的联合治疗方案优化提供了依据。

从事医学AI研究的人员可基于该研究的多组学数据（空间转录组、单细胞测序、代谢组等），开发整合多模态数据的AI模型，以精准预测TLSs状态并指导个性化免疫治疗策略，推动AI在肿瘤免疫治疗中的临床转化应用。

交流群

欢迎大家加入【医学AI】交流群，本群设立的初衷是提供交流平台，方便大家后续课题合作。

目前小罗全平台关注量71,000+，交流群总成员1600+，大部分来自国内外顶尖院校/医院，期待您的加入！！

由于近期入群推销人员较多，已开启入群验证，扫码添加我的联系方式，备注姓名-单位-科室/专业，即可邀您入群。

医学AI资料获取

我们是一支以国内外硕博为主的学生团体，覆盖医学AI主流研究领域；团队现有50余人，持续欢迎新的小伙伴加入！

团队官网上传了大量优质的学习资料，包括但不限于每次免费公开课的回放，顶刊复现教程等等！

感兴趣的可以扫码或者点击链接访问我们团队的官网：https://www.lxltx.site/

这篇发表于《Cancer Cell》2025年6月9日的文章，主要围绕肿瘤内三级淋巴结构（TLSs）展开研究。

• TLSs的重要性：三级淋巴结构（TLSs）是在多种癌症中发现的异位淋巴集合体，常与免疫治疗反应增强和更好的临床结果相关。但驱动TLS成熟的因素尚未完全明确。
• 研究目的：利用空间转录组学技术，全面分析肝细胞癌（HCC）中不同成熟阶段的TLSs及其微环境，探究影响其成熟的因素，评估TLS类型的预后价值和调节TLS成熟的治疗潜力。

• 技术手段：采用近单细胞空间转录组图谱（Stereo-seq），对来自22名未接受治疗的HCC患者（38个样本）和7名接受新辅助抗PD-1免疫治疗的HCC患者（8个样本）的46个新鲜冷冻组织标本进行分析。
• TLS分类方法：基于TLS的发育轨迹，将未成熟TLSs分为顺应性TLSs（conforming TLSs）和偏离性TLSs（deviating TLSs），还包括成熟TLSs。

1. TLS的分类与特性
   • 顺应性TLSs与成熟TLSs类似，具有支持抗肿瘤免疫和对抗PD-1治疗产生应答的 niche 功能；偏离性TLSs则不具备。
   • 成熟TLSs中，AICDA表达主要集中在中心，与高CR2表达共定位，FCER2和CXCL13表达从该区域逐渐向外扩散，淋巴细胞群体在空间上分隔成不同区域，结构有序。
   • 顺应性TLSs表现出CXCL9的弥漫表达，但细胞群体空间组织混乱；偏离性TLSs缺乏关键标志基因表达。
2. 色氨酸代谢的影响
   • 肿瘤细胞塑造的富含色氨酸的代谢微环境导致TLS成熟偏离。偏离性TLSs中B细胞色氨酸代谢异常激活，其幼稚B细胞和生发中心B细胞中色氨酸代谢活性显著且稳定升高。
   • 恶性细胞是偏离性TLSs微环境中异常色氨酸代谢的关键驱动因素，其表观遗传异质性可能导致肿瘤微环境中色氨酸代谢异常，进而影响TLS的发育轨迹。
3. 体内实验验证
   • 高色氨酸饮食的小鼠肿瘤体积增大，生存率降低，成熟TLSs密度/比例显著下降，色氨酸相关代谢物水平升高，色氨酸代谢相关基因上调。
   • 限制色氨酸代谢（低色氨酸饮食或使用TDO2抑制剂）可促进肿瘤内TLS成熟，增强肿瘤控制，并与抗PD-1治疗产生协同作用，增加Tfh、GC-B和浆细胞群体，促进肿瘤反应性抗体形成，触发肿瘤凋亡。

• 揭示了TLSs的不同发育状态，发现肿瘤来源的色氨酸代谢限制TLS成熟。
• 促进TLS成熟可能是改善抗肿瘤反应和免疫治疗结果的潜在策略，为癌症治疗提供了新的靶点和方向。

ciTLSs 是一种新颖的计算策略，能够利用空间转录组图谱在原位环境中全面绘制三级淋巴结构（TLSs）。

该系统处理多模态基因组学数据，以细胞分辨率表征 TLS 微环境，特别关注肝细胞癌（HCC）患者数据。

该系统的关键创新在于其新颖的分类方案，根据未成熟 TLSs 的发育轨迹将其分为顺应性和偏离性两组。

这种分类揭示了代谢微环境，特别是色氨酸代谢如何影响 TLS 成熟的异质性。

主要功能

• 多模态数据整合（Stereo-seq、scRNA-seq、scATAC-seq、H&E 成像）
• 具有细胞分辨率的半自动 TLS 识别
• 新颖的 TLS 发育轨迹分类
• 全面的微环境表征

ciTLSs 系统由四个主要模块组成，按顺序处理阶段组织，每个模块处理 TLS 分析的特定方面：

输入数据（Input Data）

• H&E + ssDNA Images（组织学背景，Histological Context ）
• scRNA-seq Data（单细胞表达，Single-cell Expression ）
• Stereo-seq Data（空间转录组学，Spatial Transcriptomics ）
• scATAC-seq Data（染色质可及性，Chromatin Accessibility ）

处理模块（Processing Modules）

• 001.TLS_Identification（半自动检测，Semi-automated Detection ）
• 002.TLS_Classification（轨迹分析，Trajectory Analysis ）
• 003.Celltype_Annotation（多模态整合，Multi-modal Integration ）
• 004.Main_Figures（发表级可视化，Publication Visualization ）

输出（Outputs）

• TLS Spatial Maps（results.txt ）
• Maturity Classifications（Conforming/Deviating ）
• Cell Type Annotations（Microenvironment Profiles ）
• Publication Figures（Statistical Analysis ）

• 数据源（Data Sources）：BioProject PRJCA017662（多模态基因组学，Multi-modal Genomics ）
• 001.TLS_Identification：
  • main.py（流程入口点，Pipeline Entry Point ）
  • results.txt（TLS坐标，TLS Coordinates ）
• 002.TLS_Classification：
  • Spring.ipynb（降维，Dimensional Reduction ）
  • Monocle3 Analysis（伪时间计算，Pseudotime Calculation ）
  • TLS Categories（顺应性/偏离性，Conforming/Deviating ）
• 003.Celltype_Annotation：
  • Tangram Mapping（跨模态对齐，Cross-modal Alignment ）
  • Cell Type Labels（微环境，Microenvironment ）
• 004.Main_Figures：
  • Figure 2 Series（架构，Architecture ）
  • Figure 4 Series（通路，Pathways ）
  • Figure 5 Series（代谢，Metabolism ）
  • Figure 6 Series（比较，Comparison ）

ciTLSs 系统分为四个主要模块，每个模块在 TLS 分析流程中发挥不同的功能：

• Sequential Processing（顺序处理）：
  • TLS_Identification（空间检测，Spatial Detection ）
• Cross-Module Data Flow（跨模块数据流）：
  • Spatial Coordinates（TLS边界，TLS Boundaries ）
  • Classification Labels（成熟度状态，Maturity States ）
  • Cell Type Maps（功能背景，Functional Context ）
  • Integrated Analysis（生物学见解，Biological Insights ）
• 中间处理模块及功能：
  • TLS_Classification（轨迹分析，Trajectory Analysis ）
  • Celltype_Annotation（微环境，Microenvironment ）
  • Main_Figures（可视化，Visualization ）

主要数据源： 生物项目 PRJCA017662（基因组序列档案库）

数据模态：

• Stereo-seq：细胞分辨率的空间转录组学
• scRNA-seq：单细胞基因表达谱
• scATAC-seq：单细胞染色质可及性
• H&E 图像：组织学组织结构
• ssDNA 图像：细胞结构可视化

• Data Ingestion（数据摄取）：
  • Multi-modal Raw Data（PRJCA017662 ）
  • Quality Control（过滤，Filtering ）
  • Spatial Registration（坐标对齐，Coordinate Alignment ）
• TLS Detection（TLS检测）：
  • Semi-automated Identification（001.TLS_Identification/main.py ）
  • Multi-modal Evidence Integration（多模态证据整合 ）
  • TLS Boundary Definition（results.txt ）
• Classification Analysis（分类分析）：
  • Reference Trajectory Construction（参考轨迹构建 ）
  • Dimensional Reduction（Spring.ipynb ）
  • Pseudotime Analysis（Monocle3 ）
  • Conforming/Deviating Classification（顺应性/偏离性分类 ）
• Annotation & Visualization（注释与可视化）：
  • Cell Type Mapping（Tangram Integration ）
  • Microenvironment Characterization（微环境表征 ）
  • Figure Generation（统计分析，Statistical Analysis ）
  • Publication Outputs（生物学见解，Biological Insights ）

ciTLSs 系统生成几类输出，提供全面的 TLS 表征。

主要输出

1. 空间 TLS 图谱：已识别 TLS 区域的精确坐标和边界
2. 成熟度分类：将 TLS 新颖地分为顺应性和偏离性组
3. 细胞类型注释：详细的微环境表征
4. 发表用图形：全面的可视化和统计分析

生物学应用

• 免疫治疗反应预测：TLS 成熟状态与治疗效果相关
• 肿瘤微环境分析：免疫细胞组织的空间表征
• 代谢影响评估：色氨酸代谢对 TLS 发育的影响
• 临床结果关联：TLS 特征与患者预后相关

技术贡献

• 多模态整合：结合空间和单细胞数据的新颖方法
• 基于轨迹的分类：创新的 TLS 发育阶段分类
• 细胞分辨率映射：TLS 空间分析中前所未有的细节
• 可重复流程：用于 TLS 分析的系统工作流

ciTLSs 系统专为处理空间转录组学数据的计算生物学研究人员设计。

代码库提供了完整的笔记本和脚本，用于重现分析流程。

存储库结构：

• TLS 识别的视频教程和脚本
• 用于分类分析的 Jupyter 笔记本
• 细胞类型注释工作流
• 完整的图形生成流程

数据访问： 所有基因组学数据可通过国家基因组数据中心的生物项目 PRJCA017662 公开获取。

结束语

本期推文的内容就到这里啦，如果需要获取医学AI领域的最新发展动态，请关注小罗的推送！如需进一步深入研究，获取相关科研服务，欢迎扫码前往我们团队的主页！