肿瘤微环境免疫检查点表达的空间模式

肿瘤微环境免疫检查点表达的空间模式演讲人CONTENTS引言：从“整体均质”到“空间异质性”的认知革命肿瘤微环境的组成架构：免疫检查点表达的“舞台”免疫检查点的类型及其在肿瘤微环境中的空间表达特征影响免疫检查点空间模式的调控机制空间模式在肿瘤免疫治疗中的应用与展望总结与展望目录肿瘤微环境免疫检查点表达的空间模式01引言：从“整体均质”到“空间异质性”的认知革命引言：从“整体均质”到“空间异质性”的认知革命在肿瘤免疫治疗领域，免疫检查点抑制剂（ICIs）的问世彻底改变了多种恶性肿瘤的治疗格局，从黑色素瘤到非小细胞肺癌，从肝癌到肾癌，PD-1/PD-L1、CTLA-4等靶点的抑制已使部分患者实现长期生存。然而，临床实践中的一个核心难题始终悬而未决：为何相同病理类型、相同分期的患者对ICI治疗的响应差异巨大？为何有些患者初始治疗有效但最终产生耐药？传统的研究方法，如bulkRNA测序或蛋白质组学，常将肿瘤组织视为“均质整体”，通过平均值反映免疫检查点的表达水平。但随着空间生物学技术的发展，我们逐渐认识到：肿瘤微环境（TME）是一个高度异质性的“生态系统”，免疫检查点的表达并非随机分布，而是呈现出严格的“空间模式”（spatialpattern）——即在肿瘤组织的特定区域（如肿瘤中心、浸润前沿、癌旁间质、三级淋巴结构等），不同细胞类型（肿瘤细胞、免疫细胞、基质细胞）的免疫检查点表达存在显著差异，这种差异直接影响免疫细胞的活化状态、肿瘤免疫逃逸机制及治疗响应。引言：从“整体均质”到“空间异质性”的认知革命作为一名长期从事肿瘤微环境研究的科研工作者，我深刻体会到：只有跳出“整体均质”的思维定式，深入解析免疫检查点的空间分布特征，才能真正理解肿瘤-免疫互作的复杂性，从而为精准预测疗效、优化治疗策略提供关键依据。本文将从肿瘤微环境的组成架构入手，系统阐述免疫检查点的类型及其空间表达模式，解析影响这些模式的调控机制，并探讨其在临床转化中的应用价值与未来方向。02肿瘤微环境的组成架构：免疫检查点表达的“舞台”肿瘤微环境的组成架构：免疫检查点表达的“舞台”免疫检查点的表达并非孤立事件，而是肿瘤微环境中细胞、因子、基质相互作用的结果。要理解其空间模式，首先需明确肿瘤微环境的“地理架构”——即不同区域的功能定位与细胞构成。肿瘤组织的空间分区及其特征根据细胞构成与功能状态，肿瘤组织可划分为三个核心区域（图1）：肿瘤组织的空间分区及其特征肿瘤核心区（TumorCore,TC）位于肿瘤内部，主要由肿瘤细胞巢、坏死组织、乏氧基质及少量浸润免疫细胞构成。该区域往往处于高增殖、乏氧状态，血管生成不规则，导致免疫细胞浸润受限（形成“immunedesert”现象）。在部分肿瘤（如胰腺导管腺癌、胶质母细胞瘤）中，核心区的免疫检查点（如PD-L1）表达常较低，但肿瘤细胞可通过上调其他免疫抑制分子（如Galectin-9、CD155）形成“免疫豁免”。肿瘤组织的空间分区及其特征肿瘤浸润前沿（InvasiveMargin,IM）位于肿瘤与正常组织的交界处，是肿瘤细胞侵袭转移的“前哨站”，也是免疫细胞与肿瘤细胞互作最活跃的区域。此处常聚集大量肿瘤浸润淋巴细胞（TILs），包括CD8+T细胞、CD4+T细胞、树突状细胞（DCs）等，同时基质细胞（如癌相关成纤维细胞，CAFs）密集分布。前沿区的免疫检查点表达往往最高——例如，在结直肠癌中，PD-L1+肿瘤细胞和PD-1+T细胞在浸润前沿形成“免疫synapse”，这是抗肿瘤免疫应答的核心场所。3.癌间质区（StromalCompartment,SC）包括肿瘤相关血管、神经、CAFs、细胞外基质（ECM）等，是连接肿瘤核心与正常组织的“桥梁”。该区域的免疫细胞（如肿瘤相关巨噬细胞，TAMs）常呈M2型极化，高表达PD-L1、IL-10等免疫抑制分子；CAFs则可通过分泌CXCL12、TGF-β等因子，形成“物理屏障”和“免疫抑制屏障”，限制T细胞浸润并上调免疫检查点表达。主要细胞类型及其对免疫检查点表达的贡献肿瘤微环境中不同细胞类型通过自分泌、旁分泌方式参与免疫检查点的调控，其空间分布决定了检查点的“表达地图”：主要细胞类型及其对免疫检查点表达的贡献肿瘤细胞作为免疫检查点的主要表达者之一，肿瘤细胞可通过突变（如PTENloss、EGFRactivation）或信号通路（如PI3K/AKT、STAT3）上调PD-L1、PD-L2、CD155等分子，以逃避T细胞杀伤。其表达具有明显的空间特异性：在前沿区，肿瘤细胞因接触更多T细胞而高表达PD-L1（“适应性免疫抵抗”）；在核心区，则可能因乏氧或免疫压力不足而表达较低。主要细胞类型及其对免疫检查点表达的贡献免疫细胞-T细胞：CD8+T细胞是抗免疫应答的核心效应细胞，其表面的PD-1、CTLA-4、LAG-3等检查点表达水平与活化状态直接相关。在浸润前沿，活化的CD8+T细胞高表达PD-1，形成“耗竭表型”；而在三级淋巴结构（TLS）中，T细胞可能处于低表达PD-1的“前耗竭”状态，更具抗肿瘤活性。-巨噬细胞（TAMs）：M2型TAMs高表达PD-L1、CD47、TIM-3等，通过直接抑制T细胞功能及促进免疫抑制性细胞因子（如IL-10、TGF-β）分泌，形成“免疫抑制微环境”。其常分布于肿瘤间质区，与CAFs共定位，形成“免疫抑制性niches”。-树突状细胞（DCs）：作为抗原呈递细胞，DCs表面的PD-L1、PD-L2表达可抑制T细胞活化。在肿瘤边缘，未成熟DCs高表达PD-L1，可能导致T细胞耐受；而在TLS中，成熟DCs则可能通过低表达PD-L1促进T细胞活化。主要细胞类型及其对免疫检查点表达的贡献基质细胞-癌相关成纤维细胞（CAFs）：CAFs是肿瘤微环境中“建筑师”，通过分泌ECM成分（如胶原蛋白、纤维连接蛋白）形成物理屏障，阻碍T细胞浸润；同时，CAFs高表达PD-L1、FAP、α-SMA等分子，直接抑制T细胞功能。其常围绕肿瘤细胞巢分布，形成“CAF-肿瘤细胞-T细胞”的“三角互作区”，该区域的免疫检查点表达显著高于其他区域。-内皮细胞：肿瘤血管内皮细胞高表达PD-L1、ICAM-1等分子，通过限制T细胞extravasation（渗出）形成“血管免疫屏障”。在血管周围，PD-1+T细胞常与PD-L1+内皮细胞共定位，提示血管是免疫检查点调控的关键位点。03免疫检查点的类型及其在肿瘤微环境中的空间表达特征免疫检查点的类型及其在肿瘤微环境中的空间表达特征免疫检查点是免疫系统的“刹车分子”，通过抑制T细胞活化维持免疫稳态。在肿瘤微环境中，这些检查点的表达具有高度细胞类型与空间特异性，其分布模式直接影响抗肿瘤免疫应答的强度与方向。（一）经典免疫检查点：PD-1/PD-L1、CTLA-4的空间分布PD-1/PD-L1通路作为目前最成功的ICI靶点，PD-1/PD-L1的空间模式已得到广泛研究：-PD-L1表达：在多数肿瘤（如非小细胞肺癌、黑色素瘤、膀胱癌）中，PD-L1主要表达于肿瘤细胞（约60%-80%）和TAMs（约20%-30%）。其空间分布呈现“浸润前沿高表达、核心区低表达”的特征——例如，在非小细胞肺癌中，肿瘤细胞PD-L1阳性率在浸润前沿可达50%，而在核心区仅约20%；TAMs的PD-L1表达则与血管密度正相关，常分布于肿瘤间质区。-PD-1表达：PD-1主要表达于活化的T细胞（CD8+T细胞>CD4+T细胞），其空间分布与T细胞浸润模式一致：在浸润前沿和TLS中，PD-1+T细胞密度最高；而在肿瘤核心区，由于T细胞浸润稀少，PD-1+T细胞占比显著降低。PD-1/PD-L1通路-“免疫synapse”形成：在浸润前沿，PD-1+T细胞与PD-L1+肿瘤细胞或TAMs直接接触，形成“免疫突触”（immunologicalsynapse），这是PD-1/PD-L1通路发挥抑制功能的关键场所。通过多重免疫组化（mIHC）技术，我们观察到：PD-1+T细胞与PD-L1+肿瘤细胞的共定位比例越高，患者对PD-1抑制剂的响应率越低（可能因局部免疫耗竭严重）。CTLA-4通路CTLA-4主要表达于调节性T细胞（Tregs）及活化的CD4+T细胞，通过抑制T细胞活化及促进Tregs增殖发挥免疫抑制作用。其空间分布具有以下特征：-Tregs的富集：在肿瘤间质区和三级淋巴结构（TLS）中，Tregs密度显著高于其他区域，且常与CD8+T细胞共定位，形成“Tregs-CD8+T细胞”的抑制性niches。-CTLA-4表达与T细胞活化状态：在TLS中，初始T细胞低表达CTLA-4；而在浸润前沿，活化的Tregs高表达CTLA-4，通过竞争结合CD80/CD86抑制效应T细胞功能。（二）新兴免疫检查点：LAG-3、TIM-3、TIGIT的空间异质性随着对免疫逃逸机制认识的深入，LAG-3、TIM-3、TIGIT等新兴检查点逐渐成为研究热点，其空间模式与传统检查点存在显著差异：LAG-3（淋巴细胞活化基因-3）LAG-3主要表达于耗竭的CD8+T细胞和Tregs，通过结合MHC-II分子抑制T细胞功能。在黑色素瘤中，LAG-3+T细胞常与PD-1+T细胞共浸润，形成“双重耗竭”表型；在结直肠癌中，LAG-3表达于肿瘤细胞表面的比例较低（约10%-20%），而高表达于TAMs（约30%-40%），且TAMs的LAG-3表达与患者预后不良显著相关。2.TIM-3（T细胞免疫球蛋白黏蛋白-3）TIM-3不仅表达于T细胞，还广泛表达于巨噬细胞、DCs及NK细胞。在非小细胞肺癌中，TIM-3+肿瘤细胞常位于肿瘤核心区，与乏氧区域共定位；而TIM-3+T细胞则主要分布于浸润前沿，与PD-1+T细胞形成“共抑制网络”。值得注意的是，TIM-3在TAMs中的表达与M2型极化正相关，其高表达区域常伴随T细胞浸润减少。TIGIT（T细胞免疫球蛋白和ITIM结构域）TIGIT主要表达于NK细胞、Tregs及活化的T细胞，通过结合CD155（肿瘤细胞和基质细胞高表达）抑制NK细胞和T细胞功能。在结直肠癌中，TIGIT+NK细胞常位于肿瘤间质区，与CD155+CAFs共定位；而在T细胞中，TIGIT与PD-1共表达的比例可达40%-60%，提示“双重检查点阻断”可能成为治疗策略。TIGIT（T细胞免疫球蛋白和ITIM结构域）免疫检查点共表达的空间模式及其功能意义在肿瘤微环境中，单一免疫检查点的表达往往不足以完全反映免疫抑制状态，多个检查点的“共表达”（co-expression）形成了复杂的调控网络：1.“PD-1+TIM-3+T细胞”：在晚期黑色素瘤患者中，约30%的CD8+T细胞同时表达PD-1和TIM-3，这类细胞具有深度耗竭特征（低表达IFN-γ、TNF-α，高表达TOX），主要分布于肿瘤浸润前沿。临床数据显示，这类细胞比例越高，患者对PD-1抑制剂的响应率越低。2.“TIGIT+LAG-3+NK细胞”：在肝癌中，TIGIT和LAG-3共表达的NK细胞比例可达25%-35%，其细胞毒性（如穿孔素、颗粒酶B分泌）显著低于单一检查点阳性的NK细胞，且常与CD155+肿瘤细胞共定位，提示靶向TIGIT/LAG-3可能恢复NK细胞功能。TIGIT（T细胞免疫球蛋白和ITIM结构域）免疫检查点共表达的空间模式及其功能意义3.“PD-L1+CAFs+PD-1+T细胞”：在胰腺癌中，CAFs高表达PD-L1，通过直接接触抑制PD-1+T细胞的活化；同时，CAFs分泌的CXCL12可招募Tregs，形成“PD-L1-CAFs-Tregs”的免疫抑制轴，该轴在肿瘤间质区富集，是导致ICI疗效不佳的关键机制之一。04影响免疫检查点空间模式的调控机制影响免疫检查点空间模式的调控机制免疫检查点的空间表达并非随机形成，而是受到肿瘤内在因素（如基因突变、信号通路）和外在因素（如微生物、治疗压力）的精密调控。解析这些机制，是理解肿瘤免疫逃逸并制定干预策略的基础。肿瘤内在因素：基因突变与信号通路的调控基因突变与免疫检查点表达肿瘤细胞的基因突变可直接或间接调控免疫检查点表达：-PTEN缺失：在胶质母细胞瘤中，PTEN缺失通过激活PI3K/AKT通路，上调PD-L1表达；且PD-L1+肿瘤细胞主要分布于肿瘤浸润前沿，形成“PTEN缺失-高PD-L1-免疫抑制”的空间模式。-EGFR突变：在非小细胞肺癌中，EGFR激活通过STAT3通路诱导PD-L1表达，且突变型EGFR肿瘤细胞的PD-L1阳性率显著高于野生型（约60%vs.30%）；这类肿瘤的PD-L1表达呈“弥漫性分布”，但核心区表达较低。-微卫星高度不稳定（MSI-H）：在结直肠癌中，MSI-H肿瘤因高突变负荷（TMB-H），浸润前沿的PD-L1+肿瘤细胞和PD-1+T细胞密度显著高于MSS型，形成“免疫浸润性”（immune-inflamed）微环境。肿瘤内在因素：基因突变与信号通路的调控肿瘤代谢对免疫检查点空间分布的影响肿瘤代谢重编程（如糖酵解增强、乏氧、谷氨酰胺代谢）是免疫检查点表达的重要调控因素：-乏氧：肿瘤核心区的乏氧状态通过HIF-1α通路诱导PD-L1、CD73等分子表达；乏氧区域的TAMs高表达PD-L1，且与PD-1+T细胞共定位，形成“乏氧-免疫抑制”niches。-腺苷通路：肿瘤细胞和TAMs高表达CD73/CD39，将ATP转化为腺苷，腺苷通过A2A受体上调T细胞PD-1表达，同时抑制DCs成熟，导致免疫检查点在肿瘤间质区高表达。基质细胞对免疫检查点空间模式的塑造基质细胞（如CAFs、TAMs）通过分泌细胞因子、趋化因子及直接接触，重塑免疫检查点的空间分布：基质细胞对免疫检查点空间模式的塑造CAFs的“双重角色”CAFs是肿瘤微环境中“免疫调控者”，其表型异质性决定了免疫检查点的空间模式：-肌成纤维细胞样CAFs（myCAFs）：高表达α-SMA、胶原纤维，主要分布于肿瘤核心区，通过物理屏障限制T细胞浸润，同时分泌TGF-β诱导T细胞高表达PD-1、CTLA-4。-炎症性CAFs（iCAFs）：高表达IL-6、CXCL12，主要分布于浸润前沿，通过招募Tregs和MDSCs上调PD-L1、TIM-3表达，形成“免疫抑制性前沿”。基质细胞对免疫检查点空间模式的塑造TAMs的极化与免疫检查点表达TAMs的M1/M2极化状态决定其免疫检查点表达谱：-M1型TAMs：高表达MHC-II、IL-12，低表达PD-L1，主要分布于TLS，促进T细胞活化；-M2型TAMs：高表达PD-L1、CD163、IL-10，主要分布于肿瘤间质区和核心区，通过与PD-1+T细胞共定位抑制免疫应答。外部因素：微生物与治疗压力对空间模式的动态调控肠道微生物对免疫检查点空间分布的影响近年研究发现，肠道微生物可通过“肠-轴”调控肿瘤微环境：-在黑色素瘤小鼠模型中，产短链脂肪酸（SCFA）的细菌（如Akkermansiamuciniphila）可增加TLS中CD8+T细胞的浸润，并降低PD-1+T细胞的比例，形成“免疫激活型”空间模式；-而抗生素处理的小鼠，肿瘤核心区PD-L1+TAMs密度显著增加，PD-1+T细胞浸润减少，导致ICI疗效下降。外部因素：微生物与治疗压力对空间模式的动态调控治疗压力诱导的空间模式重塑放疗、化疗、靶向治疗及ICI治疗均可改变免疫检查点的空间分布：-放疗：局部放疗可诱导“远隔效应”（abscopaleffect），通过释放肿瘤抗原促进TLS形成，增加浸润前沿PD-1+CD8+T细胞的密度；但同时，放疗也可上调肿瘤细胞PD-L1表达，形成“放疗-免疫逃逸”的空间模式。-ICI治疗：PD-1抑制剂治疗后，部分患者肿瘤内会出现“反常性进展”（pseudo-progression），表现为浸润前沿PD-1+T细胞密度进一步增加，同时出现新生的TLS，这种空间模式的改变与长期生存相关。05空间模式在肿瘤免疫治疗中的应用与展望空间模式在肿瘤免疫治疗中的应用与展望解析免疫检查点的空间模式不仅有助于理解肿瘤免疫逃逸机制，更重要的是为临床治疗提供精准指导，包括患者分层、联合治疗策略制定及疗效预测等。基于空间模式的免疫治疗响应预测传统以PD-L1表达水平（IHC评分）或TMB为依据的预测指标存在局限性，而空间模式分析可提供更精准的信息：基于空间模式的免疫治疗响应预测“免疫浸润性”与“免疫排斥”模式的区分-通过mIHC或空间转录组技术，可将肿瘤分为“immune-inflamed”（高PD-1+T细胞、高PD-L1+肿瘤细胞，主要分布于浸润前沿）、“immune-excluded”（高PD-L1+CAFs，T细胞被限制在间质区无法接触肿瘤细胞）、“immune-desert”（低T细胞浸润，低PD-L1表达）三种模式。-临床数据显示，immune-inflamed型患者对PD-1抑制剂响应率最高（约40%-60%），immune-excluded型响应率较低（约10%-20%），而immune-desert型几乎无响应（<5%）。基于空间模式的免疫治疗响应预测三级淋巴结构（TLS）作为预测标志物TLS是肿瘤内淋巴滤泡样结构，包含B细胞、T细胞及DCs，是局部抗免疫应答的“训练场”。研究表明，TLS的存在与患者对ICI治疗的响应及长期生存显著相关：-在黑色素瘤中，TLS阳性患者的PD-1抑制剂响应率可达70%，而无TLS患者仅20%；-通过空间分析发现，TLS中PD-1+T细胞的表达水平显著低于浸润前沿，提示TLS中的T细胞可能处于“前耗竭”状态，对ICI更敏感。基于空间模式的联合治疗策略优化对于因CAFs介导的物理屏障导致T细胞浸润受限的肿瘤（如胰腺癌），可采用“ICI+CAFs靶向治疗”策略：-抗FAP抗体或TGF-β抑制剂可减少CAFs数量，降低ECM沉积，促进T细胞浸润至肿瘤核心区；-联合PD-1抑制剂后，浸润前沿和核心区的PD-1+T细胞密度显著增加，疗效提升。1.immune-excluded型肿瘤：打破“物理屏障”针对不同空间模式，可制定个体化联合治疗方案：在右侧编辑区输入内容基于空间模式的联合治疗策略优化

2.immune-desert型肿瘤：诱导“免疫原性死亡”对于缺乏T细胞浸润的“冷肿瘤”（如胶质母细胞瘤），可采用“放疗/化疗+ICI”策略：-放疗可通过诱导免疫原性细胞死亡（ICD）释放肿瘤抗原，促进TLS形成；-联合抗CTLA-4抗体可增加Treg浸润，同时激活DCs，将“desert”型转化为“inflamed”型。基于空间模式的联合治疗策略优化双重检查点阻断：针对“共表达”模式对于PD-1和TIM-3共表达的T细胞或TIGIT和LAG-3共表达的NK细胞富集的肿瘤，可采用“PD-1抑制剂+TIM-3/TIGIT抑制剂”联合治疗，克服“双重耗竭”，增强抗肿瘤效果。空间组学技术推动临床转化随着空间组学技术的发展，免疫检查点空间模式分析正从基础研究走向临床应用：空间组学技术推动临床转化多重免疫组化（mIHC）通过荧光或染色mIHC技术，可同时检测10种以上的蛋白（如PD-1、PD-L1、CD8、CD163、α-SMA等），直观呈现不同细胞类型的空间分布。目前，已开发出自动化mIHC分析平台（如AkoyaBiosciences的PhenoImager），可实现对临床样本的高通量空间分析。空间组学技术推动临床转化空间转录组学空间转录组技术（如10xVisium、Slide-seq）可在保留组织空间信息的前提下，检测单个细胞的基因表达谱，从而解析免疫检查点表达的细胞异质性。例如，通过空间转录组可发现肿瘤核心区的PD-L1+肿瘤细胞与乏氧通路基因共表达，为靶向乏氧治疗提供依据。空间组学技术推动临床转化人工智能（AI）辅助空间分析基于深度学习的图像分析算法（如卷积神经网络，CNN）可自动识别