폐종양 면역 미세환경의 단세포 미세 환경
![[EzV] Single-cell spatial landscapes of the lung tumour immune microenvironment](https://scienceeasyview.com/wp-content/uploads/2023/02/EzV-Single-cell-spatial-landscapes-of-the-lung-tumour-immune-microenvironment.png)
Abstract
단세포 기술은 종양 면역 미세 환경의 복잡성을 전례 없는 해상도로 드러냈습니다. 대부분의 임상 전략은 종양 하위 유형의 조직병리학적 계층화에 의존하지만, 이러한 계층화된 subgroups 내에서 단일 세포 표현 유형의 공간적 맥락은 잘 설명되지 않았습니다.
이 논문에서는 5가지 조직학적 패턴에 걸쳐 폐선암(lung adenocarcinoma) 환자 416명의 샘플의 종양과 면역학적 형태를 특성화하기 위해 영상 질량 세포 측정법(imaging mass cytometry)을 적용합니다. 이들은 160만 개 이상의 세포를 해결하여 생존을 포함한 뚜렷한 임상적 상관관계를 가진 면역계와 활성화 상태의 공간 분석을 가능하게 합니다. 딥러닝을 사용하면 수술 후 암이 진행될 환자를 1mm2 종양 코어 하나를 사용하여 높은 정확도로 예측할 수 있으며, 이는 절제수술 후 임상 관리에 유용할 수 있습니다.
연구진들의 데이터셋은 비소세포 폐암(non-small cell lung cancer) 연구 커뮤니티를 위한 귀중한 자원이 되며, 단일 세포 분석 내 공간 해상도의 유용성의 대표적인 사례가 됩니다. 이 연구는 또한 인공지능이 암 진행의 기초가 되는 미세 환경 특징에 대한 이해를 향상시키고 향후 임상 관행에 영향을 미칠 수 있는 방법을 강조합니다.
Figure
![[Fig1] Single-cell spatial landscapes of the lung tumour immune microenvironment](https://scienceeasyview.com/wp-content/uploads/2023/02/Fig1-Single-cell-spatial-landscapes-of-the-lung-tumour-immune-microenvironment.png)
[Figure 1] IMC를 통해 LUAD의 공간적 형태를 나타내다
(a) IMC를 통해 LUAD 환자 416명의 다중 이미지를 얻어내어, single-cell phenotyping, 생존 및 임상 결과의 기계 학습 예측을 묘사하는 도식입니다.
(b) 동위원소 결합 항체 패널을 사용한 LUAD 조직의 세포 유형에 걸친 계통 마커의 평균 발현입니다.
(c) 조직학적 하위 그룹에 걸쳐 16개의 기질 및 면역 세포 유형의 분포를 보여주는 Waterfall plot입니다.
(d) 항체 염색의 대표적인 영상 및 조직학적 subgroup에 걸친 해당 단일 세포 분할 영상입니다.
(e, f) Total cell(e) 및 immune cell(f)의 비율로 LUAD 환자 416명에 걸쳐 14개 면역 세포 유형을 포함한 17개 세포 유형의 유병률
(g-i) 전체 세포에서 차지하는 모든 면역(g), 골수(h) 및 림프(i) 세포의 비율이며, 그 중 lepidic(n = 40), papillary(n = 33), acinar(n = 190), micropapillary(n = 35) 및 solid(n = 118)의 구조 패턴입니다.
![[Fig2] Single-cell spatial landscapes of the lung tumour immune microenvironment](https://scienceeasyview.com/wp-content/uploads/2023/02/Fig2-Single-cell-spatial-landscapes-of-the-lung-tumour-immune-microenvironment.png)
[Figure 2] 임상 변수에 걸친 단일 세포 분포의 가변성과 LUAD의 조직학적 패턴에 걸친 cell-cell 상호 작용 프로파일
(a) 성별, 나이, BMI, 흡연 여부, pack-years, 암 단계, 암 진행 상황 및 조직학적 하위 그룹에 따른 Tc cell(CD8+ cell)의 유병률입니다.
(b) 원 크기가 유의 수준을 나타내고, 원 색상이 y축의 두 비교 중 x축의 셀 유형 수준이 더 높은 것을 나타내는 bubble plot입니다.
(c) Lepidic 대 solid 우세 LUAD에서 암과 Tc 세포의 상호 작용이 증가하는 것을 보여주는 분할 이미지입니다
(d) 다섯 가지 조직학적 하위 그룹에 걸쳐 유의한 pairwise cell-cell 상호작용(빨간색) 또는 회피(파란색)를 나타내는 열 지도입니다.
![[Fig3] Single-cell spatial landscapes of the lung tumour immune microenvironment](https://scienceeasyview.com/wp-content/uploads/2023/02/Fig3-Single-cell-spatial-landscapes-of-the-lung-tumour-immune-microenvironment.png)
[Figure 3] Single-cell 수 및 인접은 서로 다른 LUAD의 결과와 연관되어 있다
(a-c) 내피세포, 골수세포 및 림프세포 집단의 t-SNE 결과입니다. (a) 108,387개의 endothelial cells, (b) 42,427 neutrophils, (c) 147,980 CD4+ TH cells의 결과입니다.
(d) 416명의 LUAD 환자 내에서 발견된 30 CN의 히트맵 결과입니다.
(e) 416명의 LUAD 환자의 전체적인 생존에 대한 Kaplan-Meier curve입니다. B cell CN11 및 CN25의 높거나 낮은 prevalence에 따라 두 그룹으로 분류되어 있습니다.
![[Fig4] Single-cell spatial landscapes of the lung tumour immune microenvironment](https://scienceeasyview.com/wp-content/uploads/2023/02/Fig4-Single-cell-spatial-landscapes-of-the-lung-tumour-immune-microenvironment.png)
[Figure 4] IMC data의 머신 러닝으로 임상 결과를 예측하다
(a) IMC 이미지 채널에서 기능 추출을 위한 ImageNet 데이터셋의 deep residual networks(Resnet50) architecture를 포함하는 딥 러닝 기반 전략의 모식도입니다.
(b-d) 임상 결과변수(조직학적 패턴, 성별, BMI, 나이, 생존여부, 암 진행, 암 단계, 흡연) 간 5-fold cross-validation의 결과입니다. (b) cell type의 빈도, (c) lineage markers의 공간 분포, (d) 모든 marker의 공간 분포를 토대로 분석했습니다.
(e) 임상 변수, 세포 빈도, 계통 마커 및 ‘모든 마커’ 모델을 사용한 I단계 LUAD(n = 286) 환자의 임상 진행 예측 정확도입니다.
(f) Baseline과 비교한 세포 빈도, 계통 및 모든 마커 모델에서 LUAD I단계 환자의 임상 진행 예측 정확도, 발견 코호트(n = 286) 및 검증 코호트(n = 60; 120 cores)에서의 결과입니다.
(g) Top-ranked(왼쪽)와 neighbourhood-derived(오른쪽) lineage 마커의 조합을 사용한 LUAD I단계(검증 코호트 n = 60; 120 코어) 환자의 임상 진행 예측 정확도입니다.
Disscussion
이 논문에서는 LUAD TIME의 세포 풍경을 특성화하기 위해 고도로 다중화된 IMC를 적용했습니다. 연구진들은 환자 생존을 포함한 뚜렷한 임상 결과와 상관관계가 있는 세포 역학 및 공간 특징을 식별했습니다. 사용한 데이터는 TIME 아키텍처가 종양 생물학과 어떻게 관련이 있는지 이해하는 데 있어 공간적으로 해결된 단일 셀 데이터 세트의 중요성을 뒷받침하는 빠르게 진화하는 문헌 본문에 추가되는 귀중한 자원을 나타냅니다. 폐암이 암 관련 사망의 가장 큰 원인으로 남아 있기 때문에, 환자를 개별 암에 가장 적합한 치료 요법으로 분류하는 데 도움이 되는 지능형 예측 알고리듬을 개발하기 위해 단일 세포 기술과 딥 러닝 접근법을 결합하는 것에는 미개발된 가치가 있습니다.
연구진들의 결과는 포르말린 고정 파라핀이 내장된 종양 조직의 단일 1-mm2 코어의 5-cm 섹션을 활용하여 수술 절제 또는 조직 검사에서 얻을 수 있는 높은 정확도로 재발을 예측합니다. 그럼에도 불구하고, 임상 샘플링 편향은 종양의 작은 영역이 소량의 물질 내에서 포착되는 연구에서 여전히 과제로 남아 있습니다. 향후 작업은 번역 가능성을 달성하기 위해 예측 정확도를 유지하는 동시에 저플렉스 기술을 사용하는 데 초점을 맞출 것입니다. 이들의 연구 결과는 임상 및 병리학적 변수를 사용하는 기존 예측 도구에 비해 중요한 진전을 나타내며 암 결과를 개선하기 위해 보조기 시스템 치료법의 증가하는 무장을 더 효과적으로 활용할 수 있습니다.