《Frontiers in Immunology》：Tumor lactate metabolism shapes immune suppression and therapeutic resistance revealed by integrative multi-omics and digital pathology
编辑推荐：
本研究针对评估肿瘤内乳酸代谢活性临床方法有限的问题，通过整合多组学、单细胞分析与数字病理技术，构建了可基于常规H&E染色全切片图像（WSI）预测肿瘤乳酸代谢状态的深度学习框架。该模型成功揭示了高乳酸活性与肿瘤增殖增强、免疫抑制及放疗/免疫治疗抵抗的关联，并在泛癌验证中展现出稳健性能，为代谢导向的精准肿瘤学提供了可扩展的数字生物标志物。
在癌症研究中，肿瘤细胞的代谢重编程（metabolic reprogramming）已被视为其标志性特征之一。其中，乳酸的异常代谢是体现瓦博格效应（Warburg effect）的典型代表。癌细胞倾向于在氧气充足时仍主要依赖糖酵解产生能量，导致乳酸大量堆积。这不仅仅是代谢废物，乳酸更是肿瘤微环境（TME）和恶性进展的动态调控者。它不仅导致TME酸化，还与免疫抑制、免疫疗法抵抗密切相关。然而，尽管乳酸代谢在癌症生物学中的核心作用日益凸显，临床上能够评估肿瘤内乳酸活性的、可及且低成本的方法却十分有限。特别是在头颈鳞状细胞癌（HNSCC）等预后不佳的癌症中，乳酸代谢如何介导免疫逃逸和治疗抵抗，其分子机制和临床应用潜力仍待系统阐明。为此，一篇发表在《Frontiers in Immunology》上的研究，试图通过整合多组学数据和数字病理技术，为这一难题寻找新的解决方案。
为了回答上述问题，研究人员综合利用了生物信息学、单细胞转录组学和深度学习等多种技术。首先，他们从GeneCards数据库筛选并构建了一个包含59个基因的乳酸相关特征集。随后，利用来自TCGA、GEO等公共数据库的多种癌症（特别是HNSCC）的批量RNA测序数据、单细胞RNA测序数据以及临床信息，系统分析了该特征集的生物学和临床相关性。最关键的一步，研究人员开发了一个深度学习框架，利用预先训练的CTransPath模型和自定义的Transformer聚合模块，从常规苏木精-伊红（H&E）染色的全切片图像中提取特征，并训练了多种机器学习模型（如XGBoost、SVM等）来预测肿瘤的乳酸代谢状态（高LAC_H与低LAC_L）。研究还纳入了来自浙江大学医学院附属第二医院病理科的独立真实世界HNSCC队列（SAZHU-HNSCC）进行外部验证，通过免疫组化检测乳酸代谢关键蛋白LDHA和MCT1的表达，以确认模型预测的生物学有效性。
3.1 构建乳酸相关基因集及其临床与分子特征
研究人员通过筛选构建了乳酸相关59基因集，蛋白互作网络分析显示这些基因主要富集于呼吸电子传递链、丙酮酸代谢等功能模块。临床分析发现，在HNSCC和黑色素瘤的免疫检查点抑制剂治疗队列中，高乳酸相关评分的患者治疗反应更差、总生存期更短。在TCGA-HNSCC接受辅助放疗的患者中，高乳酸评分同样与更差的总生存、无进展间隔和疾病特异性生存相关。分子层面，LAC_H肿瘤显著富集于MYC靶点、氧化磷酸化、细胞周期等增殖相关通路，而LAC_L肿瘤则富集于免疫相关和上皮-间质转化通路。肿瘤微环境分析进一步揭示，LAC_L肿瘤具有更强的抗肿瘤免疫细胞浸润、更高的三级淋巴结构评分和更活跃的配体-受体互作，而LAC_H肿瘤则表现出以肿瘤增殖为主导、免疫抑制性的微环境。
3.2 HNSCC中乳酸相关基因集的单细胞表征与细胞组成
通过整合4个公共HNSCC单细胞RNA测序数据集，研究在细胞分辨率下解析了乳酸相关基因的表达。结果显示，大部分基因在多种细胞中广泛表达，但部分基因在恶性上皮细胞、成纤维细胞、浆细胞等特定细胞类型中呈现优势表达。基于BayePrism的反卷积分析表明，LAC_H肿瘤中恶性细胞比例显著更高，而成纤维细胞、巨噬细胞等多种免疫细胞相对减少，印证了高乳酸代谢与“免疫荒漠”表型的关联。
3.3 肿瘤形态异质性与基于深度学习的乳酸代谢水平病理学预测
研究人员观察到LAC_H肿瘤的H&E切片形态通常更“干净”，肿瘤巢相对均质，间质或免疫细胞浸润有限；而LAC_L肿瘤则结构更“异质”，伴有丰富的免疫和间质浸润。基于此，他们构建的深度学习模型能够从H&E切片中有效区分LAC_H和LAC_L肿瘤，在HNSCC测试队列中，多种模型的曲线下面积在0.73至0.82之间，展示了良好的预测性能。
3.4 在SAZHU-HNSCC队列中对深度学习预测乳酸代谢的病理学验证
在一个独立的SAZHU-HNSCC队列中，研究通过免疫组化对模型预测的高、低乳酸组进行了验证。结果显示，模型预测的高乳酸组肿瘤，其肿瘤区域内乳酸脱氢酶A和单羧酸转运蛋白1的蛋白表达水平（H-Score）均显著高于低乳酸组。代表性切片也显示，高乳酸组肿瘤巢更致密，LDHA和MCT1染色更强，而低乳酸组则免疫浸润更多，乳酸代谢蛋白表达较低。这从蛋白层面证实了基于H&E图像的深度学习模型预测乳酸代谢状态的生物学有效性。
3.5 乳酸相关微环境与形态学差异的泛癌表征
研究将分析扩展至TCGA中另外12种实体瘤。结果显示，在多种癌症中，LAC_H肿瘤普遍表现出更强的肿瘤增殖活性，而LAC_L肿瘤则同时表现出更强的免疫激活和更显著的间质重塑。在形态学上，LAC_H肿瘤倾向于具有更均质、“干净”的结构，而LAC_L肿瘤则更“异质”，这一模式在肺鳞癌、肺腺癌、乳腺癌和结肠癌等多种癌症的H&E切片中得到验证。
3.6 基于病理学的乳酸代谢模型的泛癌推广与验证
研究进一步将上述病理学预测框架应用于12种TCGA癌症的3914个病例。支持向量机模型在所有测试的算法中表现出最佳且稳健的跨癌症性能，在12种癌症的测试队列中，曲线下面积介于0.78至0.89之间，表明该模型能够从常规病理切片中泛化地推断多种实体瘤的乳酸代谢活性。
本研究通过整合多组学与数字病理，系统揭示了肿瘤乳酸代谢在塑造免疫抑制性微环境和介导放疗、免疫治疗抵抗中的核心作用。研究构建的深度学习框架首次实现了仅基于常规H&E染色病理切片对肿瘤乳酸代谢状态进行准确、无创的预测，并在独立队列中通过LDHA和MCT1蛋白表达验证了其生物学有效性。这一“数字乳酸生物标志物”具有可扩展性和临床实用性，为在常规病理诊断中低成本、大规模地评估肿瘤代谢表型提供了新工具。这不仅深化了对乳酸代谢如何影响癌症进展和治疗反应的理解，也为未来开发针对乳酸代谢的联合治疗策略（如LDHA或MCT1抑制剂与免疫检查点阻断剂联用）以及实现代谢信息指导的精准肿瘤患者分层奠定了重要基础。尽管研究存在回顾性建模、验证队列规模有限以及模型可解释性有待提高等局限性，但其成功搭建了连接肿瘤代谢生物学与临床诊断病理学的桥梁，展示了计算病理学在揭示肿瘤内在生物学特征和推动精准肿瘤学发展方面的巨大潜力。
