《Cancer Discov》(IF: 33.3)｜新型空间蛋白组和空间转录组整合流程解析肿瘤免疫微环境

空间转录组学和空间蛋白组学能分别在原位解析基因表达和蛋白功能状态。然而，它们各有自己独特的应用场景，例如空间转录组覆盖广但预测功能不直接，而空间蛋白组功能信号直接，靶向性高，能提供更多的有效生物学信息。如果能在同一张组织切片上高质量地整合两者，将有助于我们深入理解复杂的生物系统。近期，《Cancer Discovery》上发表了一项题为“Same-Slide Spatial Multi-Omics Integration With IN-DEPTH Reveals Tumor Virus-Linked Spatial Reorganization of the Tumor Microenvironment”的研究论文。该研究系统性地介绍并验证了一种名为IN-DEPTH(IN-situ DEtailed Phenotyping To High-resolution transcriptomics)的新型空间多组学整合工作流程，尤其是整合了PCF(CODEX)空间单细胞蛋白组和空间转录组平台，并开发了配套的Spectral Graph Cross-Correlation (SGCC)空间计算方法。最后，研究利用该技术揭示了EB病毒（EBV）如何重塑弥漫性大B细胞淋巴瘤（DLBCL）的肿瘤微环境。

为了避免空间转录组流程中蛋白酶处理对后续空间蛋白检测的影响，IN-DEPTH流程是同一张组织切片先开展空间蛋白组检测，然后是空间转录组。研究测试了低通量的空间蛋白组和超高通量的PCF(CODEX)空间单细胞蛋白组，分别和其他不同空转平台的联合效果。结果显示了和邻片单独空转检测相比，IN-DEPTH整合流程后的组织形态、RNA捕获效率，RNA信号等都没有显著的下降。

为了对比IN-DEPTH先空间蛋白组后空间转录组的效果，研究对比了先PCF(CODEX)后Xenium检测，和先Xenium后PCF(CODEX)检测的结果。研究发现了先进行Xenium检测，后开展PCF(CODEX)的蛋白信号会显著性降低。而先进行PCF(CODEX)检测，最后的蛋白荧光信号并没有受到影响。

研究利用IN-DEPTH流程重点开展了PCF(CODEX)联合空间转录组的分析。首先研究对PCF(CODEX)的多轮循环检测进行了评估，在脑组织切片中利用PCF(CODEX)对PLVAP蛋白进行了60轮的循环检测，结果显示了PLVAP蛋白的表达信号在所有轮次循环中保持非常好的一致性，说明了PCF(CODEX)技术的稳定和可靠性。

研究利用扁桃体组织在方法学进行了IN-DEPTH验证，PCF(CODEX)检测了12种抗体，定义了11种细胞类型，之后开展GeoMX DSP空间转录组。研究将11种细胞类型的图像转换到GeoMX DSP图像坐标上，指导ROI圈选。结果证明了IN-DEPTH能高保真地复现扁桃体已知的解剖结构和功能分区（如B细胞滤泡、T细胞区），在不同分区不仅有细胞类型的真实数据，还有相应的基因表达特征数据。生成的优质配对数据为评估和优化细胞反卷积算法提供了“金标准”。

为了深度整合IN-DEPTH产生的多模态数据，作者开发了SGCC方法。简言之，SGCC可以量化任意两个细胞类型之间空间分布模式的相似性。SGCC得分的高低，反映了细胞间是倾向于“全局共存/互斥”还是“局部共定位”。 当有多个样本或区域时，SGCC得分可作为一个连续或有序的“空间因子”，与转录组数据关联，从而识别出其表达随空间关联模式变化而变化的基因和通路，将空间信息与分子功能直接联系起来。

最后研究应用IN-DEPTH流程和SGCC分析了EBV阳性和EBV阴性DLBCL患者队列，揭示了多层次的空间重组。PCF(CODEX)-GeoMX DSP整合揭示了EBV阳性肿瘤细胞，其转录程序倾向于招募和调控巨噬细胞。EBV阳性肿瘤相关巨噬细胞倾向于极化为C1Q+亚型，并富集负向调控炎症、TNF信号等免疫抑制相关通路。肿瘤-巨噬细胞-CD4+ T细胞三者共定位的区域，CD4+ T细胞功能失调最为严重。研究提出了一个空间协调的免疫调控轴。在EBV阳性DLBCL中，肿瘤细胞与巨噬细胞互作，创建了一个免疫抑制性微环境，进而抑制CD4+ T细胞功能。而在EBV阴性DLBCL中，巨噬细胞与CD4+ T细胞的互作则更倾向于激活免疫。在更高分辨率的PCF(CODEX)-CosMX数据上验证了C1Q+巨噬细胞特征与CD4+ T细胞功能失调的正相关关系，且与EBV载量相关。配体-受体互作分析推断IL-27-STAT3信号轴可能是连接LMP1阳性肿瘤细胞与免疫抑制性巨噬细胞的关键通讯通路。该通路已知可促进巨噬细胞免疫抑制和PD-L1表达，与本研究中的观察一致。

总结与讨论

这项研究是一项涵盖实验技术（IN-DEPTH）、计算方法（SGCC）和重要生物学发现的综合性工作。IN-DEPTH框架可扩展至整合更多空间模态（如代谢组），其产生的高质量数据可用于训练多模态AI模型，并有望加速在更多疾病中的机制发现和临床转化。这项研究也体现了PCF(CODEX)空间单细胞蛋白组在当前和未来空间组学中的引领地位。

| 参考文献

Yao Yu Yeo et al. Same-Slide Spatial Multi-Omics Integration with IN-DEPTH Reveals Tumor Virus-Linked Spatial Reorganization of the Tumor Microenvironment. Cancer Discov (2026).https://doi.org/10.1158/2159-8290.CD-25-0775

华盈生物空间多模态研究体系

PCF空间单细胞蛋白组成像示例