在全球范围内，乳腺癌（BC）是女性中最为常见的癌症，发病率和死亡率都不容小觑。即便当前手术、化疗和免疫治疗都取得了一定进展，可不少乳腺癌患者的临床治疗效果依旧不太理想，早期患者也不例外。传统的乳腺癌分类依据雌激素受体（ER）、孕激素受体（PR）和人表皮生长因子受体 2（HER2）的表达情况，这种分类方式并不能完全体现乳腺癌的复杂异质性。肿瘤微环境（TME）在肿瘤进展和治疗反应中发挥着关键作用，肿瘤浸润免疫细胞（TIICs）尤其是肿瘤相关巨噬细胞（TAM），对调节肿瘤生长、转移和治疗反应意义重大。然而，以往的研究对 TAM 亚群的异质性和功能多样性了解不足，在其预后价值方面的结论也不尽相同，甚至相互矛盾，所以迫切需要深入探究 TAM 的异质性。
为了攻克这些难题，宁德师范学院附属宁德市医院、福建医科大学等机构的研究人员展开了一项整合单细胞 RNA 测序（scRNA-seq）和 bulk RNA 测序（RNA-seq）数据的研究。他们的研究成果发表在《Cancer Cell International》上，为乳腺癌的研究和治疗带来了新的突破。
研究人员开展此项研究，主要运用了以下几种关键技术方法：从公共数据库获取乳腺癌样本的 scRNA-seq 和 RNA-seq 数据，包括来自 Gene Expression Omnibus（GEO）的 scRNA-seq 数据和 The Cancer Genome Atlas（TCGA）、Molecular Taxonomy of BC International Consortium（METABRIC）的 RNA-seq 数据；利用 Seurat 包对 scRNA-seq 数据进行质量控制和预处理；借助 MetaTiME 框架对细胞进行注释和特征分析；运用 CellChat 包进行配体 - 受体通讯分析；通过 Monocle 2 和 ClusterGVis 进行单细胞轨迹分析；采用 ConsensusClusterPlus 包进行共识聚类分析；运用多种机器学习算法构建预测模型。
下面来详细看看研究结果：
- TAMs 对乳腺癌临床结局影响重大：研究人员借助 MetaTiME 框架重新分析 scRNA-seq 数据集，将单细胞分为髓样细胞、T 细胞和自然杀伤（NK）细胞、B 细胞和浆细胞这三大主要免疫细胞簇，并进一步细分为 37 个免疫细胞亚类。研究发现 TAM 的代谢特征（MeC）变化最为显著，尤其是高表达 SPP1 和 C1QA 的 M_Macrophage-SPP1-C1Q 亚群，这表明 TAM 在乳腺癌肿瘤微环境中功能复杂且动态变化，M_Macrophage-SPP1-C1Q 亚群可能对乳腺癌患者的预后和治疗效果影响关键。
- TAM 亚群功能特征各异：对各 TAM 亚群的差异表达基因（DEGs）进行分析，富集分析显示 M_Macrophage-IL1-JUN 簇富含 M1 相关基因，呈促炎表型；M_Macrophage-RNASE1-C1Q 簇富含 M2 相关基因，具抗炎或组织修复表型；M_Macrophage-SPP1-C1Q 簇对 M1 和 M2 标记基因富集度低，不遵循传统 M1/M2 分类。基因集富集分析（GSEA）表明该亚群在细胞增殖、致癌等通路富集，具有独特的增殖和致癌特性。此外，干细胞分析显示其发育潜力最高，分化轨迹分析表明它是 TAM 极化的中间过渡状态。在治疗反应方面，不同亚群在不同通路富集，影响肿瘤微环境和治疗结果。
- M_Macrophage-SPP1-C1Q 高浸润与乳腺癌不良预后相关：通过 CellChat 分析发现，M_Macrophage-SPP1-C1Q 在治疗反应者和非反应者中都有较高的信号发送倾向，尤其在非反应者中更明显。对 107 名乳腺癌患者的评估显示，化疗耐药和转移性肿瘤患者的 M_Macrophage-SPP1-C1Q 浸润水平更高，单因素 Cox 回归分析和生存分析表明，该亚群浸润与总生存期（OS）和无转移生存期（MFS）降低显著相关，且在 METABRIC 数据集得到验证。
- M_Macrophage-SPP1-C1Q 可区分乳腺癌患者临床亚群：研究人员鉴定出 37 个与 M_Macrophage-SPP1-C1Q 亚型相关的核心元基因，基于这些基因对 METABRIC 队列进行共识聚类分析，将患者分为低元基因表达（LM）和高元基因表达（HM）两个亚群。HM 亚群患者的 M_Macrophage-SPP1-C1Q 浸润丰度更高，生存分析显示其预后更差。该分类与 Claudin 亚型相关，且经多因素 Cox 回归分析证实，HM 簇分类是患者预后的独立预测因子。
- 基于 M_Macrophage-SPP1-C1Q 开发的亚型系统可预测患者生存获益：研究人员整合多个乳腺癌队列的 RNA-seq 数据和临床信息，以 37 个核心元基因的表达谱为基础，运用 7 种机器学习算法构建预测模型。经 10 次重复五折交叉验证，随机森林（RF）模型表现最佳，被命名为 Macro.RF 模型。该模型在独立数据集上验证了其稳健性和泛化性，能准确预测患者的总生存期和化疗反应，为患者管理提供了有价值的临床参考。
在讨论部分，研究人员指出，此次研究揭示了三个不同的 TAM 亚群，其中 M_Macrophage-SPP1-C1Q 是一种新型亚群，具有独特的功能属性，它处于 TAM 分化轨迹的中间状态，可能影响其他 TAM 亚型的极化。研究还通过大规模数据验证了 M_Macrophage-SPP1-C1Q 高浸润与乳腺癌患者不良预后和化疗耐药的关联，表明其有望成为可靠的预后生物标志物。开发的 Macro.RF 模型为风险评估和个性化治疗规划提供了潜在框架，但还需进一步验证才能应用于临床。
总的来说，这项研究深入剖析了乳腺癌中 TAM 的异质性，突出了 M_Macrophage-SPP1-C1Q 亚群在影响肿瘤进展和治疗耐药方面的重要作用，为乳腺癌的预后评估和治疗决策提供了新的视角和潜在生物标志物。Macro.RF 模型的开发也为实现乳腺癌的精准医疗奠定了基础。不过研究存在一定局限性，未来还需要更多前瞻性验证和功能研究，以进一步明确 M_Macrophage-SPP1-C1Q 亚群影响肿瘤生物学的具体分子机制，为乳腺癌患者带来更好的临床结局。
生物通微信公众号
