编辑推荐：
本研究针对单细胞T细胞受体（TCR）测序与RNA测序数据整合分析的挑战，开发了多模态变分自编码器框架TRIM，能够基于治疗前血液或正常组织中的T细胞数据，准确预测肿瘤内T细胞的克隆扩增与转录状态。该模型在头颈鳞癌、结直肠癌及泛癌数据集上验证了其对免疫检查点抑制剂治疗响应的预测能力，为评估癌症免疫治疗疗效提供了新工具。
在癌症免疫治疗的时代，T细胞作为对抗肿瘤的“主力军”，其状态是决定治疗成败的关键。近年来，科学家们已经能够利用单细胞测序技术，同时窥见单个T细胞的“身份档案”（T细胞受体序列，TCR）和它的“实时工作日志”（RNA转录组）。然而，如何将这两份海量而复杂的多模态数据整合起来，从中提炼出能够预测T细胞对治疗（如免疫检查点抑制剂）反应的关键信息，仍然是一个巨大的挑战。这就像试图将一个人的基因身份证和他的所有社交网络动态、工作邮件融合分析，以预测他未来的行为一样困难。现有的方法往往难以有效捕捉TCR序列与基因表达之间的深层关联，限制了我们在治疗前就精准评估疗效和预后的能力。
为了回答这个关键问题，研究人员开展了一项名为“TCR-RNA整合模型（TRIM）”的研究。他们得出结论，开发出的TRIM框架能够成功整合单细胞TCR与RNA数据，并基于治疗前相对容易获取的样本（如血液或癌旁正常组织）中的T细胞信息，准确预测治疗后肿瘤内T细胞的克隆扩增（clonal expansion）动态和转录状态（transcriptional states）。这项研究的重要意义在于，它为在治疗前无创性地评估患者对免疫治疗的潜在反应提供了强大的计算工具，有助于实现癌症免疫治疗的精准化和个性化。相关研究成果发表在《自然-通讯》（Nature Communications）期刊上。
为开展研究，作者主要应用了几个关键技术方法。首先是单细胞RNA和T细胞受体（TCR）联合测序技术，该技术能够从同一细胞中平行获取其转录组和TCR序列信息。其次是多模态变分自编码器（multimodal variational autoencoder） 这一深度学习框架，作为TRIM的核心，它能够学习TCR和RNA数据的共享表征。研究涉及三个独立的患者队列数据集，样本来源包括：1）接受免疫检查点抑制剂治疗的头颈鳞状细胞癌（HNSCC）和结直肠癌（CRC）患者的治疗前后配对血液和肿瘤活检样本；2）一个泛癌种队列中的肿瘤组织和癌旁正常组织样本。
TRIM整合了多模态单细胞数据并学习了条件性共享表征
研究人员构建了TRIM框架，这是一个以变分自编码器（VAE）为基础的多模态深度学习模型。该模型能够同时处理T细胞的TCR序列和RNA表达数据，并将它们编码到一个低维的共享潜在空间（shared latent space）中。重要的是，TRIM的设计允许这个共享表征受到患者个体、组织来源（如血液 vs. 肿瘤）和治疗时间点（如治疗前 vs. 治疗后）等条件信息的约束。通过对三个独立数据集的训练，TRIM成功学习了这种整合的、条件化的数据表征。
TRIM表征能够区分T细胞状态并富集克隆型信息
分析表明，由TRIM学习到的潜在表征能够清晰地区分不同功能状态的T细胞，例如耗竭T细胞（exhausted T cells）和记忆T细胞（memory T cells）。同时，具有相同TCR序列（即属于同一克隆型，clonotype）的T细胞在TRIM潜在空间中倾向于聚集在一起，表明模型有效地捕获了克隆型特异性信息。这验证了TRIM在整合转录组和克隆型信息方面的有效性。
基于治疗前血液T细胞的TRIM预测模型
研究的一个核心应用是，尝试仅利用治疗前血液中的T细胞数据，来预测治疗后肿瘤内会发生克隆扩增的T细胞克隆。研究人员使用TRIM处理治疗前血液的T细胞数据，并训练分类器。结果表明，该模型能够显著预测哪些T细胞克隆在治疗后会在肿瘤内扩增。这意味着，患者血液中早已存在那些注定会在肿瘤中“大展拳脚”的T细胞克隆的前体，而TRIM能够提前识别它们。
TRIM预测肿瘤内T细胞状态和患者治疗反应
进一步，研究评估了TRIM预测肿瘤内T细胞转录状态的能力。模型仅依据治疗前血液T细胞的数据，就能够预测治疗后肿瘤浸润T细胞（tumor-infiltrating lymphocytes, TILs）的耗竭状态和细胞毒性（cytotoxicity）评分。更重要的是，基于TRIM预测的、与治疗反应相关的T细胞特征，能够区分出对免疫检查点抑制剂治疗有响应（responder）和无响应（non-responder）的患者。这为在治疗前进行疗效预测提供了直接的生物标志物线索。
TRIM在泛癌种队列中验证了其预测能力
为了证明TRIM的普适性，研究人员在一个包含多种癌症类型的独立队列中进行了验证。该队列包含肿瘤组织和配对的癌旁正常组织。同样，仅使用癌旁正常组织中的T细胞数据，TRIM就能够预测对应肿瘤组织中T细胞的克隆扩增和耗竭状态。这进一步证实了TRIM框架在不同癌症类型和不同组织来源情境下的稳健预测能力。
本研究开发并验证了TCR-RNA整合模型（TRIM），这是一个用于联合分析单细胞TCR和RNA测序数据的多模态深度学习框架。TRIM能够学习受患者、组织和时间点条件约束的共享数据表征。应用研究表明，TRIM可以仅基于治疗前相对容易获取的样本（如外周血或癌旁正常组织）中的T细胞信息，准确预测治疗后肿瘤微环境中T细胞的克隆扩增动态和功能状态（如耗竭程度）。更重要的是，基于TRIM预测的T细胞特征能够区分出对免疫检查点抑制剂治疗有反应和无反应的患者。这些发现表明，TRIM为整合多模态单细胞数据提供了一个强大工具，并展示了其在癌症免疫治疗中实现治疗前疗效预测和患者分层的巨大潜力，向着实现更精准的个性化免疫治疗迈出了重要一步。
