Cell Discovery | 四川大學趙成建/曹丹新方法實現腫瘤微環境高清測繪

腫瘤的進展與治療響應不僅取決于癌細胞自身特性，更與其所處的微環境密切相關。腫瘤微環境由免疫細胞、成纖維細胞、內皮細胞等多種成分構成，這些細胞在空間中相互作用，形成不同的功能微區。解析這些空間特征對于理解腫瘤生物學和開發有效療法至關重要。然而，現有技術面臨諸多挑戰：空間轉錄組學受限于RNA在臨床存檔樣本中的不穩定性，而直接標記的空間蛋白組學方法則常受高背景噪聲和低信號分辨率的困擾，難以在福爾馬林固定石蠟包埋樣本中精準應用。

2026年3月10日，四川大學華西醫院病理科趙成建教授、曹丹教授團隊在《Cell Discovery》期刊發表了題為“Integrative spatial profiling pipeline for determining TME architectures in archival clinical specimens using CmTSA superplex technology”的研究論文。研究團隊開發了一種名為混合光化學熒光 depletion（HOC-FD）的技術，并將其與循環多重酪胺信號放大（CmTSA）相結合，形成了一個完整的工作流程，旨在對存檔FFPE樣本進行高質量、高性價比的空間蛋白組學分析。

研究首先驗證了HOC-FD技術對背景熒光的高效去除能力。該技術結合特定光譜的強光照射與化學淬滅，能在8分鐘內消除FFPE切片中超過90%的可見光范圍自發熒光，使信號噪聲比提升50%-80%。這一預處理步驟并未損害后續的免疫熒光或TSA染色效果，為后續的高質量成像奠定了關鍵基礎。通過將HOC-FD與TSA的循環染色相結合，研究團隊實現了在單個FFPE切片上同時對超過40種生物標志物進行共標記，并通過尺度不變特征變換算法精準對齊循環圖像，構建出單細胞分辨率的高清空間圖譜。

為將原始像素數據轉化為可分析的數字化信息，研究引入了基于深度學習的計算流程。利用StarDist模型對細胞核進行精確分割，并根據不同標志物在細胞膜、胞漿或核內的表達模式，設定標準化的門控策略進行細胞表型分類。以人結腸癌組織為例，該流程成功將CmTSA產生的超多重圖像轉化為包含細胞類型、位置信息的單細胞空間圖譜，細胞分類結果與原始染色圖像高度吻合，證明了該數字化方法的準確性和可靠性。

研究進一步對比評估了兩種定義細胞功能微區的空間聚類算法。通過對人結腸癌組織的全片分析發現，在確定生物學相關參數后（半徑100微米），基于固定半徑的鄰域網絡（RNN）相較于基于k近鄰的方法，能更準確地勾勒出具有生物學意義的組織結構，如黏膜淋巴樣結構、上皮層和固有層等。RNN方法避免了KNN在細胞密度不均區域可能引入的聚類偽影，其固定的空間約束更符合細胞間通過距離調控的物理化學相互作用這一生物學基礎。

最后，研究將該平臺應用于預后不同的宮頸癌患者存檔FFPE樣本中。基于單細胞測序數據設計的20種標志物染色方案，成功在保存多年的樣本中解析出14個具有獨特細胞組成的離散功能微區，可分為免疫活躍、腫瘤-免疫混合、成纖維細胞富集和腫瘤主導等四大類。預后好的患者樣本中富集了以Tfh細胞、B細胞和CD8+T細胞為核心的免疫活躍微區；而預后差的患者樣本中，腫瘤團塊則被成纖維細胞主導的微區所包裹，形成潛在的物理屏障，空間分析揭示了成纖維細胞對殺傷性T細胞的隔離作用。

READING

BioPeers

歡迎關注本公眾號，所有內容歡迎點贊，推薦??，評論，轉發~

如有錯誤、遺漏、侵權或商務合作請私信小編~~

歡迎大家投稿課題組 研究進展 、招聘及招生宣傳~

所有文章只為科普、科研服務，無商業目的~