《Frontiers in Immunology》：Integrated single-cell and bulk transcriptomics identify autophagy-related immune-suppressive subtypes and a prognostic signature in colorectal cancer
编辑推荐：
本研究针对结直肠癌（CRC）患者预后异质性及肿瘤微环境（TME）免疫抑制机制不清的问题，通过整合单细胞RNA测序（scRNA-seq）与bulk转录组数据，系统解析了TME中自噬活性的细胞特异性模式。研究揭示了高自噬肿瘤具有免疫抑制特征，构建了基于47个自噬相关基因（ARGs）的预后模型，并验证了关键基因GOLGA2的促癌功能，为CRC的免疫分型及靶向治疗提供了新线索。
在全球癌症负担中，结直肠癌（Colorectal Cancer, CRC）长期占据着“高发病率”与“高死亡率”的双重席位。尽管手术、化疗及免疫治疗不断进步，但患者间的预后差异依然巨大——有的患者能长期生存，有的却很快出现耐药或复发。这种“同病不同命”的现象，很大程度上并非由肿瘤细胞本身单独决定，而是深受其周围“土壤”，即肿瘤微环境（Tumor Microenvironment, TME）的影响。
TME是一个复杂的生态系统，其中不仅包含恶性上皮细胞，还充斥着大量的基质细胞（如成纤维细胞、内皮细胞）和免疫细胞（如T细胞、巨噬细胞）。在CRC中，这个环境常常表现为“免疫抑制”状态，即免疫细胞功能被压制，无法有效杀伤肿瘤。与此同时，自噬（Autophagy）——细胞在营养匮乏或应激状态下“自我消化”以维持生存的机制——在肿瘤进展中扮演着双重角色。它既能帮助肿瘤细胞在缺氧环境中存活，又能调节免疫细胞的功能，但其在TME不同细胞类型中的具体活动模式及其临床意义，此前仍是一团迷雾。
为了揭开这层迷雾，一项发表在《Frontiers in Immunology》上的研究应运而生。研究团队整合了单细胞与bulk转录组数据，旨在回答三个核心问题：自噬活性在TME的不同细胞间有何差异？这些差异能否定义具有不同预后和免疫特征的分子亚型？能否构建可靠的预后模型并找到关键靶点？
关键技术方法概览
研究整合了TISCH数据库中的3个CRC单细胞数据集（共22,816个细胞）以及TCGA、GEO（GSE39582、GSE17538）的bulk转录组数据（共1,441例样本）。利用Seurat和Harmony进行单细胞数据整合与聚类，通过GSVA（Gene Set Variation Analysis）计算自噬活性。基于47个预后相关自噬基因进行共识聚类以定义亚型，并应用10种机器学习算法（包括RSF、LASSO、GBM等）构建预后模型。关键基因GOLGA2在南方医院（Nanfang Hospital）的临床标本及HCT116细胞系中进行了qPCR、Western blot、IHC及功能实验验证。
研究结果解析
3.1 自噬增强肿瘤-基质互作并抑制抗肿瘤免疫
通过对单细胞数据的深度挖掘，研究团队首先绘制了CRC TME的细胞图谱，涵盖了恶性细胞、 stromal细胞（内皮、成纤维、肌成纤维）及免疫细胞（淋巴、髓系）等15个亚群。
自噬活性的“贫富差距”
研究发现在TME中，自噬活性并非均质分布。恶性细胞和基质细胞（尤其是内皮细胞和成纤维细胞）的“自噬得分”显著高于免疫细胞。这意味着肿瘤细胞和它的“支持系统”更依赖自噬来维持生存，而免疫细胞则相对“低耗能”。
高自噬=免疫抑制
当以中位数为界将细胞分为高、低自噬组时，分析结果令人震惊：低自噬组主要由淋巴细胞（88.36%）构成，这是抗肿瘤免疫的主力军；而高自噬组则富集了单核/巨噬细胞（24.17% vs 7.6%）和基质细胞，且CD8? T细胞比例显著下降。这直接表明，高自噬环境与免疫抑制状态密切相关。
细胞间“对话”模式的转变
细胞通讯分析进一步揭示了这种免疫抑制的机制。在高自噬组中，肿瘤细胞与基质细胞之间的信号交流（如VEGF、TGF-β通路）异常活跃，这促进了血管生成和基质重塑；而免疫细胞之间的“对话”（如抗原呈递、共刺激信号）则被显著削弱。自噬就像是一个“信号交换机”，将TME从免疫激活状态切换到了肿瘤-基质联盟的促癌状态。
3.2 自噬相关基因鉴定出四种CRC分子亚型
从KEGG、Reactome等数据库筛选出的499个自噬相关基因（ARGs）中，研究团队锁定了47个与总生存期显著相关的基因。基于这47个基因的表达模式，将CRC患者分为A、B、C、D四个亚型。
这四种亚型呈现出截然不同的命运：Cluster D患者的预后最差，Cluster C最好，B和C居中。这一发现证实了自噬相关基因在患者风险分层中的核心价值。
3.3 机器学习构建稳健预后模型，GOLGA2脱颖而出
为了将上述发现转化为临床可用的工具，研究团队在TCGA队列中训练了10种机器学习模型。最终构建的预后模型在独立验证集（GSE17538、GSE39582）中表现优异。
在模型筛选出的关键基因中，GOLGA2（Golgin A2） 位居风险基因榜首。临床样本验证显示，GOLGA2在肿瘤组织中的mRNA和蛋白水平均显著高于癌旁组织。体外功能实验证实，敲低GOLGA2能显著抑制HCT116细胞的增殖和迁移能力，而过表达则产生相反效果。这确立了GOLGA2作为CRC潜在治疗靶点的地位。
结论与意义
这项研究系统揭示了CRC TME中自噬活性的细胞特异性模式，证明了高自噬微环境通过增强肿瘤-基质互作、抑制免疫通讯，从而驱动免疫逃逸。基于47个ARGs的四分型策略为CRC的预后评估提供了新视角，而机器学习驱动的预后模型及GOLGA2靶点的验证，则为未来开发针对自噬-免疫轴的新型治疗策略奠定了坚实的理论与实验基础。
