5. TME 交互:把细胞、功能和配体受体放在一起读

本章延续 STAD 主队列,观察患者之间的微环境组合模式。

这一步想知道什么

前面几章逐个看细胞和功能。本章把视角拉远:哪些患者的细胞组成相似?他们的功能分数是否也有共同特点?配体受体(LR)相关表达能否补充这幅图景?目标是得到一组可以进一步检验的模式,而不是给每位患者过早贴上固定的临床标签。

可以这样问

基于 iobrx_skill_tutorial 的本次 STAD 表达、签名和反卷积结果,
用 iobrx 分析细胞组成、免疫/基质功能和配体受体信号如何共同变化。
完成有依据的无监督分群和配体受体
分析,用整合热图、分组比较等图件解释主要模式,并说明 bulk 表达能
支持什么、不能证明什么。尽可能保留全部合格肿瘤,不参考其他案例的
脚本或结果。产物保存到 results/05_interactions,用中文解读。

Agent 根据 iobrx Skill 选择分群与配体受体分析方法,调用 harness 完成相应计算,再把结果合在一起解释。

结果怎么看

先看患者分成几群。 无监督分群不预先贴标签,按输入特征的距离把相近患者放在一起。本次以 412 例 × 22 类 CIBERSORT 细胞为主分析(k-means、逐特征标准化、种子 123),在 k=2–5 中按 KL 指数选簇数。选中的 k=3 对应 TME1 114 例、TME2 101 例、TME3 197 例。

完整细胞面板与简化面板的簇数选择

右图是一项敏感性分析:去掉本队列中很低或多数为零的 3 类细胞后(剩 19 类),最佳簇数变成 4;两种划分的调整兰德指数 ARI 为 0.657(1 表示完全一致,接近 0 表示与随机相当)。所以三簇结果适合整理本次数据,却不能宣称"胃癌天然只有三种微环境"。本章的簇编号只是本次数据与参数下的分组,不自动对应下一章分类器的 IA/IE/IS。

再读整合热图:从左上到右下,依次看 TME1、TME2、TME3 相对较高的特征。右侧细条区分细胞、功能和 LR,最右侧的三列是各组均值,方便对照总体模式。

61 个特征与 412 位患者:按相对高值分组、组内相似性排列

每列始终是同一位患者,三簇成员不变;组内把细胞组成相似的患者放在一起。行按“哪个簇的平均 z 分数最高”分组,形成便于阅读的阶梯。这个排列帮助整理已有模式,本身不证明三组界限分明。

全图 61 行 × 412 列(22 类细胞 + 15 项功能特征 + 24 项 LR 特征,LR 展示项来自每簇靠前特征,完整 775 项结果仍保存)。热图把每一行标准化:红色表示该特征在队列中的相对高值,不能拿两行同样的红色比较绝对大小。三个簇的模式:TME2 的 CD8 T、M1 巨噬细胞和多项免疫效应签名相对较高;TME1 更突出 M0 巨噬细胞、中性粒细胞及相关趋化信号;TME3 的 Treg、静息肥大细胞和部分 LR 特征相对突出。用原始 CIBERSORT 比例核对几个中位数(TME1/TME2/TME3):CD8 T 0.037/0.175/0.083,M0 0.176/0.058/0.060,Treg 0.030/0.033/0.063——这些是参考免疫细胞内部的相对比例,不是整块肿瘤里的绝对数量。

然后弄清 LR 分数增加了什么。 配体与受体可理解为潜在信号的发送与接收组件;bulk RNA 测的是组织混合表达,LR 分数帮我们看到哪些组件组合在患者间共同变化。本次 lr_cal 接收线性 TPM,内部转为 log2(TPM+1),简单配对取两者较小值——可以理解为表达层面的"短板"限制值,但没有直接测量信号传递强度。最终交付 412 × 775 的 LR 表。注意复合名称:标签里出现三个基因(如 IFNG_IFNGR1_IFNGR2)不代表程序对三者共同计算,当前实现保留的是主配对 IFNG_IFNGR1 的值。

最后看组间差异和共变。

细胞、功能与配体受体的代表性分组比较

箱线图回到各自原始单位,不能跨面板比大小。总体 KW 检验分别在三个家族内做 BH 校正:22 类细胞中 17 项、15 项功能特征中 14 项、775 项 LR 中 525 项达到 q<0.05。

18 项代表特征的 Spearman 共变关系

放下簇标签,直接看 412 位患者中的共同变化:CAF 签名与 ESTIMATE 基质分数 ρ=0.865,CD8 比例与 T 细胞炎症签名 ρ=0.584,IFNG 相关 LR 与 IFNG 签名 ρ=0.888。注意两点:先用细胞分群再比较这些细胞,本来就倾向于看到差异,箱线图不构成分群准确性的独立验证;同源表达产生的功能与 LR 分数高度相关,也不是两份完全独立的证据。更不能仅凭 bulk LR 分数确定发送细胞、接收细胞或空间接触——要证明通讯机制,还需要细胞分辨率或空间信息。

接下来怎么做

接着做第 6 章肿瘤生态系统:换一个角度,用作者已经训练好的分类器给这些患者打状态标签,并检查标签背后的不确定性。想先核对本章,可以问:"把分群特征换成 MCP-counter 的细胞分数,簇数和热图模式变化大吗?"

完整表、请求、运行清单与绘图代码见数据与运行说明。

参考:IOBR TME 交互分析方法、IOBR 2.0、CIBERSORT 原始方法。

results matching ""

    No results matching ""