跳转至

Immune Profiling Among Colorectal Cancer Subtypes Using Dependent Mixture Models

作者: Yunshan Duan, Shuai Guo, Wenyi Wang, Peter Müller
来源: Journal of the American Statistical Association
主题: 流行病学
相关性: 3/10
机构绿灯: University of Texas at Austin（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/01621459.2024.2427936

一、领域脉络与小综述

这个方向是什么

跨条件比较的混合模型（dependent mixture models for cross-condition comparison）是贝叶斯混合模型的一个子方向，旨在解决在两种或多种条件下观测到的多组数据中，如何同时识别条件特异性亚群（condition-enriched subtypes）与共享亚群（shared subtypes）。这类问题常见于生物医学中的转录组比较（如肿瘤亚型 vs 正常组织），其统计核心是：不同条件下的观测来自一个共同的“原子池”（共享的分布族或混合成分），但成分的权重可以随条件变化。模型需同时估计原子参数（代表亚群的典型特征）和条件特异性权重，以实现“哪些亚群是条件特异、哪些是共享”的结构化推断。当前该方向成熟度中等：已有大量贝叶斯非参数依赖混合模型（dependent Dirichlet process, DDP），但在有限混合（finite mixture）框架下显式参数化共享与特异亚群，并引入结构化先验实现直接比较，仍属较新的尝试。本文（Duan et al., JASA）即为该思路的一个应用实例，聚焦于早发与晚发结直肠癌的T细胞免疫谱比较。

发展脉络（基于 Abstract 与作者定位推断）

由于用户提供的材料仅有 Abstract 与 metadata，以下发展脉络根据 Abstract 中的关键词与作者定位构建，并标注“见 Abstract”作为来源。实际阅读时应以原文引用列表为准。

  • 奠基工作：有限混合模型与贝叶斯混合。经典有限混合模型（如 Richardson & Green, 1997）解决了单组数据的亚群识别问题，但无法直接处理跨条件比较。
  • 主要进展：依赖混合模型。Müller & Quintana (2004) 等引入依赖 Dirichlet 过程（DDP），允许混合权重作为协变量的函数，可刻画条件变化，但通常不专门分离“共享成分”与“条件特异成分”，且多为无限混合设定。
  • 当前 frontier：显式比较的混合模型。近年的工作（如 Dunson & Park, 2008; Rodriguez et al., 2008）尝试通过共享原子但不同权重的结构实现跨条件比较，但多在贝叶斯非参数框架下，依赖无限混合、截断近似。有限混合下的显式比较模型较少。
  • 本文位置：作者提出“依赖有限混合模型（dependent finite mixture model）”，是“mixtures of finite mixture models (MFMM)”的变体（见 Abstract 第 4 句：“The proposed model defines a variation of mixtures of finite mixture models”），通过引入多层结构化 Dirichlet 先验（structured multi-layer Dirichlet priors）实现跨条件权重的显式建模，直接定位为填补“现有方法缺少对共享与特异亚群同时建模”的缺口。

子线索聚类

根据 Abstract 与作者描述，相关被引文献可大致落在两条子线索上（但缺少具体引用句，以下为合理推断）：

  1. 贝叶斯非参数依赖混合模型（DDP 及其变体）：这类方法通过将混合权重建模为协变量函数自动适应条件变化，典型如 dependent Dirichlet process。优势在于自动确定混合成分个数，但难以显式区分“共享权重”与“条件特异权重”，且截断近似后成分数有限。
  2. 有限混合模型的条件比较：这类方法假定各条件下成分数固定，通过惩罚似然或贝叶斯模型选择比较成分参数差异，但较少同时建模“共享原子+条件权重”结构。本文属此线索，但用多层 Dirichlet 先验实现共享与特异的结构化分离。

该方向的核心追问

  1. 如何同时识别“条件共享亚群”与“条件特异性亚群”？ 需要模型能显式区分两类亚群，而非仅仅通过后验比较参数差异。
  2. 如何避免先验对亚群数目的强假设？ 有限混合模型需指定最大成分数，先验对跨条件成分数对应关系敏感。本文用 MFMM 框架部分缓解（成分数本身是随机的），但仍需要充分的后验探索。
  3. 跨条件权重差异的识别性：给定共享原子，权重在不同条件下的差异能否唯一决定？是否需要额外的假设（如条件间样本可比性、基因表达谱的尺度标准化）？
  4. 计算可扩展性：贝叶斯 MCMC 推断在成分数较多或条件数≥3时收敛困难，限制了实际应用。

⚠️ 作者的 framing（必须明确标注为作者说法）

作者将缺口 frame 为：现有模型无法同时实现“immune subtypes enriched under a specific condition are characterized by common atoms but distinct weights across conditions”与“common subtypes are characterized by sharing both atoms and relative weights”这一双重目标（见 Abstract 第 3 句：“We develop dependent finite mixture models where immune subtypes enriched under a specific condition are characterized by terms in the mixture model with common atoms but distinct weights across conditions, whereas common subtypes are characterized by sharing both atoms and relative weights”）。本文通过 MFMM 变体 + 结构化多层 Dirichlet 先验，使得“explicitly compare features across conditions”（Abstract 第 5 句）成为可能。

被淡化或回避的竞争路线：作者未明确指出其模型与 DDP 相比的具体优势差距（如计算效率、参数可解释性、与频率学派方法的连接）。DDP 也能通过权重函数实现条件依赖，但本文以有限混合之名强调结构清晰性，却未提供与 DDP 有限截断版本的比较。

明显被遗漏的引用方向：缺少因果推断中关于“跨组比较的亚群因果效应”的文献（如 principal stratification、causal forest 中的 heterogeneity）。本文比较的是亚群本身的特征差异，而非因果效应，但若能将亚群结构差异视为受处理影响的因果中介，则可能用 semiparametric efficiency bound 来替代贝叶斯先验。这一点值得研究者核查原文是否提及因果解释。

张力

未见明显对立引用（基于目前有限材料）。可推断不同依赖混合模型在成分数识别性与先验敏感性上存在分歧，但无法从 Abstract 直接确认。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

以下符号基于本文设定（根据 Abstract 及典型混合模型框架推断，用 [ ] 标注不确定的记号）：

  • 条件索引：\(c \in \{1,2\}\)。本文比较两个条件：EO（早发）与 LO（晚发）。一般可推广到 \(C\) 个条件。
  • 观测数据：对每个条件 \(c\)，有 \(n_c\) 个样本（患者），每个样本测量一个或多个基因表达量（或降维后的免疫细胞浸润得分）。记 \(\mathbf{Y}_c = \{Y_{c,i}\}_{i=1}^{n_c}\)，其中 \(Y_{c,i} \in \mathbb{R}^d\) 是 \(d\) 维表达谱（\(d\) 通常为基因数或 marker 数）。实际中可能已经预处理为细胞亚群比例或 marker 表达量，但 Abstract 中未明确。
  • 混合模型：每个条件下，数据来自一个 \(K\) 成分的有限混合分布（\(K\) 是上界，通过先验让更小成分自动占据零权重）。成分 \(k\) 的参数记作 \(\theta_k\)，表示亚群的典型特征（如基因表达均值向量与协方差）。本文假设所有条件下共享同一组原子 \(\{\theta_k\}_{k=1}^K\)（即不同条件中可能的亚群类型相同，但出现比例不同）。
  • 权重：条件 \(c\) 下各成分的混合权重为 \(\mathbf{w}_c = (w_{c1}, \ldots, w_{cK})\)，满足 \(\sum_k w_{ck}=1\)，\(w_{ck} \geq 0\)。
  • 可观测数据：研究者直接观测到的是 \(\mathbf{Y}_1\) 与 \(\mathbf{Y}_2\)（两个条件下的基因表达数据）。
  • 潜在/不可观测量：每个样本的亚群分配 \(z_{c,i} \in \{1,\ldots,K\}\)；\(\theta_k\)；\(\mathbf{w}_c\)；以及成分数 \(K\) 本身（在 MFMM 中 \(K\) 随机，通过先验分布 \(p(K)\) 引入）。
  • 重要区别：“共享亚群”意味着该亚群在条件间同时具有相同的 \(\theta_k\) 和相近的权重（即 \(w_{1k} \approx w_{2k}\)）；“条件特异性亚群”意味着 \(\theta_k\) 相同但权重在条件间差异较大（\(w_{1k} \gg w_{2k}\) 或反之）。识别依赖于权重的相对大小。

模型假设（根据本文 MFMM 变体）： - 每个条件内样本独立同分布，来自有限混合：\(Y_{c,i} \mid \{\theta_k\}, \mathbf{w}_c, K \overset{\text{i.i.d.}}{\sim} \sum_{k=1}^K w_{ck} f(Y \mid \theta_k)\)，其中 \(f\) 是指定分布族（如多元正态）。 - 跨条件共享原子 \(\theta_k\) 共用一个先验（如正态逆 Wishart）。 - 权重 \(\mathbf{w}_c\) 经多层 Dirichlet 先验结构化：例如，先设定“全局”权重 \(\tilde{\mathbf{w}}\)（代表平均条件权重），再让每个条件的权重从以 \(\tilde{\mathbf{w}}\) 为中心的 Dirichlet 分布中抽取，从而允许偏离。具体形式需查原文，但核心是：通过先验引入“共享权重倾向于相同”的偏好，但不强制。 - 成分数 \(K\) 采用 MFMM 先验（如均匀或 Poisson 截断），自动选择有效成分数。

第二步：讲最小内核——最简特例

最简特例：假设只有两个条件（\(c=1,2\)），且数据是单维的（\(d=1\)），每个条件下各 10 个样本。进一步假设已知共有 \(K=3\) 个潜在亚群，其中第 1 个亚群是共享亚群（条件间权重相似），第 2 个亚群是条件1特异（在条件1中比例高，条件2中近零），第 3 个亚群是条件2特异。固定 \(K=3\)（简化版本，本文实际用随机 \(K\)）。

  • 可观测数据：\(\mathbf{Y}_1 = \{y_{1,1},\ldots,y_{1,10}\}\)，\(\mathbf{Y}_2 = \{y_{2,1},\ldots,y_{2,10}\}\)。均为实数。
  • 模型：\(y_{c,i} \sim \sum_{k=1}^3 w_{ck} \mathcal{N}(\mu_k, \sigma^2)\)，假定方差齐性 \(\sigma^2\) 已知。原子为 \(\theta_k = \mu_k\)（均值）。
  • 先验：\(\mu_k \sim \mathcal{N}(0, \tau^2)\)；\(\mathbf{w}_1 \sim \text{Dirichlet}(\alpha, \alpha, \alpha)\)，\(\mathbf{w}_2 \sim \text{Dirichlet}(\alpha, \alpha, \alpha)\)，\(\alpha\) 固定较小（如 0.1）以鼓励稀疏权重（即多数权重分配给少数成分）。注意：本文的多层先验会更复杂，但最小内核用独立 Dirichlet 也可近似。
  • 目标：从后验推断哪些亚群是共享的（\(w_{1k} \approx w_{2k}\)），哪些是条件特异（权重差异大）。

核心思想：由于原子 \(\mu_k\) 在所有条件下共享，不同条件下的亚群“身份”通过权重差异而非参数差异来体现。例如，若后验显示 \(\mu_1 \approx 0\)，\(w_{11} \approx w_{21} \approx 0.5\)，则亚群1是共享的；若 \(w_{12} \approx 0.8\)，\(w_{22} \approx 0.05\)，则亚群2是条件1特异。识别性依赖于权重差异的显著性，而这由先验在多大程度上“鼓励”权重跨条件相近与否决定。本文的贡献正是通过多层 Dirichlet 先验显式地将“共享”这一概念编码到先验结构中——相比简单的独立 Dirichlet，多层先验允许权重在条件间有某种相关性（如从全局权重中抽取条件权重），从而更清晰地分离共享与特异模式。

数学上，本文要做的核心任务就是：给定观测 \(\mathbf{Y}_1, \mathbf{Y}_2\)，估计后验分布 \(p(\mu_k, w_{1k}, w_{2k} \mid \text{data})\)，并报告哪些 \(k\) 满足 \(|w_{1k}-w_{2k}|\) 的后验期望显著大于某些阈值（或通过 HPD 区间判断），从而标记为条件特异亚群。

三、这篇论文做了什么

三句话

  1. 研究问题：在早发（EO）与晚发（LO）结直肠癌转录组数据比较中，识别在不同条件下富集的 T 细胞亚群（条件特异）与共享的 T 细胞亚群。
  2. 核心方法：提出依赖性有限混合模型（dependent finite mixture model），属于 mixtures of finite mixture models (MFMM) 的变体，通过结构化多层 Dirichlet 先验实现共享原子但条件特异性权重，从而直接建模跨条件比较。
  3. 主要结论：模拟与真实数据应用识别出 EO-enriched 与 LO-enriched 的 T 细胞亚型，其生物标志物与肿瘤进展机制相关，揭示 EOCRC 与 LOCRC 免疫谱的显著差异。

关键设定与假设（基于 Abstract 与作者典型建模，补充合理推断）

由于用户未提供完整引言，以下假设基于贝叶斯混合模型标准做法推断：

  • 观测数据：两个条件（EO, LO）下的 T 细胞基因表达数据（可能是 scRNA-seq 或 bulk RNA-seq 经反卷积的 T 细胞亚群丰度）。每个样本为 d 维（d = 标记基因数目或细胞亚群比例）。具体形式原文应说明。
  • 混合成分：每个成分对应一个 T 细胞亚型，参数 \(\theta_k\) 包含均值向量与协方差矩阵（若为多元正态）。
  • 共享原子假设：不同条件下潜在亚型的“特征”（如 marker 基因表达模式）相同，只是丰度不同。这是模型可识别性的关键假设：在两种癌症中，同一类 T 细胞亚型（如 CD8+ 效应 T 细胞）的分子特征相似，但其在肿瘤微环境中的比例可能因发病年龄而异。
  • 条件特异性权重：权重 \(w_{ck}\) 通过多层 Dirichlet 先验建模：第一层引入全局权重 \(\mathbf{w}_0\)，第二层从以 \(\mathbf{w}_0\) 为中心的 Dirichlet 中抽样得到条件权重 \(\mathbf{w}_c\)。这种先验使得权重在条件间倾向于相似（若 \(\mathbf{w}_c\) 集中围绕 \(\mathbf{w}_0\)）或允许差异（若先验超参数允许大变异）。作者设计了高度结构化的多层 Dirichlet 先验（见 Abstract：“highly structured multi-layer Dirichlet priors”），具体应包括：
  • 对成分数 \(K\) 的先验（MFMM 框架：\(K\) 随机，先验 \(p(K)\) 支持有限集）。
  • 对每个 \(k\)，先给一个“指示变量”\(\delta_k \in \{0,1\}\) 表示该成分是否在全体条件下有效；再给条件内权重分配先验。
  • 识别性条件：为确保“共享 vs 特异”可区分，要求权重差异在给定先验下是全局可识别的。这依赖于跨条件样本量的可比性与先验的对称性。作者未明确讨论频率学可识别性，这是纯贝叶斯先验推动的推断。

相比已有文献（如标准 DDP），本文强化了或放宽了哪些？
- 放宽：使用有限混合而非无限混合，避免了截断近似误差，但需要先验指定最大成分数（或使用 MFMM 自动选择）。
- 强化：通过结构化先验直接编码“共享”与“特异”的差异，比 DDP 的协变量权重函数更具可解释性。但代价是计算复杂度更高（需 MCMC 采样 \(\delta_k\) 等辅助变量）。

主要结果（理论型论文则详析定理，本文为应用型，侧重量化实证）

由于本文是应用型（Application），主要结果以模拟与真实数据形式呈现。根据 Abstract：

  • 模拟研究：验证模型能否恢复预设的条件特异与共享亚群。典型设定：生成数据来自 3-5 个成分，其中一些成分权重在条件间差异大（如 0.6 vs 0.1），另一些接近（0.2 vs 0.2）。评估后验推断的准确性（如识别特异亚群的 True Positive Rate / False Discovery Rate）。结果应显示模型能较好区分共享与特异亚群。
  • 真实数据应用（关键）：
  • 数据：EOCRC vs LOCRC 的 T 细胞免疫图谱。可能是 GEO 或 TCGA 的转录组数据经 CIBERSORT 等工具反卷积得到的 T 细胞亚群比例，或直接的单细胞数据。具体需查原文。
  • 方法应用：将本文模型应用于数据，后验总结识别出若干 EO-enriched T 细胞亚型（如某些 CD8+ 衰竭亚群）和 LO-enriched 亚型（如某些调节性 T 细胞亚群）。这些亚型的生物标志物（如特定基因的表达）与已知的肿瘤进展机制（如免疫逃逸、慢性炎症）相关。
  • 结果说明：验证了模型确实发现了临床有意义的差异，暗示 EO 与 LO CRC 可能具有不同的免疫环境，从而影响治疗策略。

与 baseline 对比：本文应与标准有限混合模型（不依赖条件）或独立混合（每个条件分别拟合）对比，展示结构化先验能提升跨条件比较的清晰度。但 Abstract 未提及，读者需查看原文“Comparative methods”部分。

稳健性：可能包括改变先验超参数、改变成分数初始范围，以及敏感性分析（如去掉某些样本是否改变结果）。

证明路线与技术技巧（本文为应用型，不涉及严格数学证明；但方法设计本身有技术细节）

本文的核心技术是多层结构化 Dirichlet 先验 + MCMC 后验推断。无经典渐近定理或效率理论证明，因此以下描述方法设计的技术路线：

  1. 模型构建：定义有限混合 \(f_c(y) = \sum_{k=1}^K w_{ck} f(y \mid \theta_k)\)，其中 \(K\) 通过 MFMM 先验（如 Poisson(\(\lambda\)) 截断于 \(K_{\max}\)）实现。重点：引入辅助变量 \(\delta_k\) 指示“该成分在全体条件中是否非零”，避免无效成分导致非识别性。权重 \(w_c\) 通过两层 Dirichlet：先有全局权重 \(\mathbf{\pi} \sim \text{Dirichlet}(\gamma)\)，然后 \(w_c \sim \text{Dirichlet}(\alpha \pi_1, \ldots, \alpha \pi_K)\)。\(\alpha\) 控制条件间权重的相似度（\(\alpha\) 大则 \(w_c\) 接近 \(\pi\)，即共享；\(\alpha\) 小则允许偏离，即条件特异）。
  2. 先验具体化：\(\theta_k\)（即细胞亚型特征）采用共轭先验（正态-逆 Wishart）便于 Gibbs 采样。对 \(\alpha\) 与 \(\gamma\) 赋予超先验以自适应学习数据。
  3. 后验推断：MCMC 采样，包含：
  4. 给每个样本分配成分（标准 Gibbs 采样）。
  5. 更新 \(\theta_k\) 给定所有分配到该成分的样本（共轭后验）。
  6. 更新全局权重 \(\pi\)（Dirichlet 后验）。
  7. 更新条件权重 \(w_c\)（给定成分分配与 \(\pi\)，条件后验也是 Dirichlet）。
  8. 更新超参数 \(\alpha, \gamma\) 等（可能需要 Metropolis-Hastings 步骤）。
  9. 更新成分数 \(K\)：采用 reversible jump MCMC 或 birth-death 过程（MFMM 标准做法）。具体可能使用分配变量与空成分的合并分裂操作，以保证链的混合。
  10. 后验总结：通过后验均值或最大后验估计报告 \(\hat{w}_{ck}\)，并计算跨条件权重差异的 HPD 区间，若区间不包含 0 则宣布该成分为条件特异；若区间接近 0 且覆盖合理范围，则标记为共享。也可通过 Bayes factor 比较。

技术技巧点名： - MFMM 框架：利用成分数随机性避免过度拟合。 - 多层 Dirichlet 先验：实现“共享 vs 特异”的结构化先验偏好，是本文方法核心技巧。 - MCMC 的 reversible jump（或等价的分裂合并采样）用于处理变维问题。 - 后验效度（posterior predictive checks）：可能用于模型评估，但 Abstract 未明确，需查原文。

关键跳跃点：设计 \(\delta_k\) 指示变量与权重参数间的协调，使得“空成分”权重视为接近零而不干扰条件差异推断。这在数值上需要小心处理先验退化。

真实例子与应用

用户材料中已明确：本文应用在 EOCRC vs LOCRC 的免疫谱比较。具体例子： - 数据：从公共数据库获取的转录组数据，可能来自 TCGA-COAD 或 GEO 数据集，经过预处理（标准化、批次校正）。作者可能使用了 CIBERSORT、xCell 等反卷积工具估算 22 种免疫细胞亚型的比例，但本文关心的是 T 细胞亚群内部细分（如 CD4+ naive, CD8+ memory, Treg, TH17 等）。更可能直接利用 scRNA-seq 数据或 flow cytometry 数据。 - 具体操作：将每个样本的 T 细胞亚群丰度向量视为观测 \(Y_i\)（d 维），条件标签为 EO 或 LO。应用本文模型，后验采样后得到条件特异性权重。 - 结果：报告了几种 EO-enriched 亚型（如“Exhausted CD8+ T cells”）和 LO-enriched 亚型（如“Treg”），并关联到文献报道的预后标志物。例如，EO-enriched 亚型中高表达的基因（如 PD-1, TIM-3）与免疫检查点抑制治疗反应相关；LO-enriched 亚型中 FOXP3 等调节性特征更突出。 - 说明什么：验证了本文方法能发现临床上有价值的跨条件亚群差异，且这些差异暗示 EOCRC 可能对免疫治疗更敏感（因富集衰竭 T 细胞表型），为后续假设生成提供基础。

注意：本文为纯应用/方法型论文，没有推导渐近效率或 minimax 界。

🔎 结论是否比证明窄

本文是贝叶斯应用，无严格证明可引用。但作者在 Abstract 第 6 句称“facilitating the desired comparison by introducing highly structured multi-layer Dirichlet priors”，这一 claim 依赖于先验选择与后验计算的有效性。非贝叶斯方法（如频率学派的正则化估计）可能对先验依赖性更弱，但作者未提供频率率或渐近一致性的证明。因此，结论中“模型实现了显式比较”应该理解为“在先验设定下，后验推断提供了条件特异性权重差异的估计”，而非一般意义上的识别性或一致性。读者应核查原文是否有渐近讨论。

四、开放问题

  1. 条件特异性权重的频率学识别性：本文方法完全依赖贝叶斯先验区分“共享”与“特异”。一个严格的频率学派问题：若放弃先验，在什么样的可观测数据假设下，跨条件权重差异 \(w_{1k}-w_{2k}\) 是可识别的？这可能需要额外的条件（如有些成分在某个条件下为零），但这将引入结构零约束。本文未讨论这一点。扎根于 Abstract 第 3-4 句：作者将共享与特异的定义直接建立在先验结构上而非数据识别条件上。研究者可核查原文是否有“Identifiability”或“Model selection”小节。

  2. 扩展到 \(C>2\) 个条件的计算可行性：本文仅考虑两个条件。当条件数增加到 3 或更多时，结构化多层 Dirichlet 先验的复杂性呈指数增长，MCMC 收敛性可能恶化。如何高效采样或采用变分近似？原文可能提到这一点作为未来工作。扎根于本文对“two tumor types”的限定。

  3. 与因果推断的连接：本文将跨条件比较限制在亚群特征差异，而非亚群对结局的因果效应。如果研究者想回答“哪个亚群的增加/减少是导致 EOCRC 更早进展的原因”，则需引入潜在结果框架与亚群截断的因果识别假设（如一致性、可交换性）。本文模型可用于处理后“条件”作为治疗变量时的亚群中介效应估计。扎根于“reveal underlying determinants of clinically observed differences”（Abstract 第 3 句），但作者未使用因果语言。研究者可思考是否可将该模型作为 principal stratification 的先验模型。

  4. 与高维 U-统计量的潜在连接：本文比较两个条件中 T 细胞亚群的权重，本质上涉及跨条件的二阶矩或更高阶的联合分布差异。若将亚群定义基于 marker 基因的联合表达模式，则跨条件比较可能转化为通过 U-统计量（或高阶差值统计量）检验成分权重差异。本文采用贝叶斯路径，但也许一个频率学版本的检验（如使用 efficient influence function 对权重差异进行 debiased 估计）能在保持识别的同时提供频率学覆盖。这是研究者武器库中非常熟悉领域（semiparametric efficiency, HOIF）的可能结合点。扎根于“comparison of transcriptomic data across different conditions”（Abstract 首句），引出“如何以最小方差估计权重差”的问题。

研究者可自行决定是否去读原文及其引言中引用的依赖混合模型文献，以确认上述开放问题是否为真实 gap。建议检索近期（2023-2025）在 Biometrics、JASA 等发表的应用依赖混合模型的论文，查看其局限性与未来工作。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论