Highly multiplexed 3D profiling of cell states and immune niches in human tumors

作者: Clarence Yapp, Ajit J. Nirmal, Felix Zhou, Alex Y. H. Wong, Juliann B. Tefft et al.
来源: Nature Methods
主题: 其他
相关性: 0/10
机构绿灯: Harvard University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1038/s41592-025-02824-x

---

一、这篇论文属于什么学科、要解决什么

• 学科定位：本文属于空间生物学与组织病理学的交叉领域。空间生物学是近年来快速发展的学科，核心目标是在保留组织原始空间结构的前提下，高通量地测量多种生物分子（如蛋白质、RNA）在组织切片中的位置和表达量。传统组织病理学依赖染色（如H&E）和显微镜观察，只能看少数几个标记物；而空间生物学试图在单细胞分辨率下同时测量几十甚至上百种分子，从而绘制出细胞类型、状态和相互作用的“地图”。该领域目前正处于技术爆发期，但大多数方法仍局限于二维（2D）薄切片。
• 本文的位置：本文针对一个被广泛忽视的基础问题：常规的2D组织切片（4-5微米厚）中，绝大多数细胞是不完整的（被切片刀切碎了）。这意味着基于2D切片进行的细胞表型分析（判断细胞类型）和细胞-细胞相互作用分析（判断哪些细胞在接触）在根本上是不准确的。本文开发了一种三维（3D）循环免疫荧光方法（3D CyCIF），对8-10倍厚的组织切片进行成像，从而在完整的细胞水平上分析肿瘤微环境。这是一项技术方法学贡献，它首先暴露并解决了一个基础性的测量偏差问题，然后展示了3D数据能揭示哪些2D数据无法看到的新生物学现象。

二、关键术语扫盲

1. Cyclic Immunofluorescence (CyCIF)：循环免疫荧光。一种通过反复染色、成像、洗脱抗体，在同一张组织切片上依次检测几十种不同蛋白质的技术。就像给组织拍“多光谱照片”，每轮只拍一种颜色的光。
2. Multiplexed Protein Profiling：高多重蛋白分析。指同时测量组织中多种蛋白质的表达水平。传统方法一次只能看1-3种，而CyCIF等技术可以看几十种。
3. Tissue Microenvironment：组织微环境。细胞不是孤立存在的，它们周围有其它细胞、细胞外基质、血管、信号分子等。肿瘤的微环境（Tumor Microenvironment, TME）对癌症进展和治疗反应至关重要。
4. Cell-Cell Contact：细胞-细胞接触。两个细胞的细胞膜直接物理接触。这是细胞间通讯（如免疫细胞攻击肿瘤细胞）的必要条件。
5. Juxtracrine Signaling：近分泌信号。一种细胞间通讯方式，信号分子不释放到远处，而是通过两个细胞膜上的受体和配体直接结合来传递信号。需要细胞-细胞接触。
6. Confocal Microscopy：共聚焦显微镜。一种光学显微镜技术，通过使用针孔来阻挡焦平面以外的光线，从而获得高分辨率、高对比度的光学切片。对于3D成像至关重要，因为它能“看穿”厚组织。
7. Optical Sectioning：光学切片。共聚焦显微镜通过改变焦平面，在不物理切割组织的情况下，获取不同深度的图像。3D CyCIF就是通过堆叠一系列光学切片来重建3D体积。
8. Cell Phenotyping：细胞表型分析。根据细胞表达的蛋白质组合（如CD3+ CD8+ 表示杀伤性T细胞），来判断细胞的类型和功能状态。
9. Immune Niche：免疫生态位。组织中一个局部区域，其中多种免疫细胞和非免疫细胞以特定方式组织在一起，执行免疫功能。例如，肿瘤周围的“三级淋巴结构”就是一种免疫生态位。
10. Spatial Profiling：空间分析。在保留组织空间位置信息的前提下，测量分子表达。与“bulk”分析（把整个组织磨碎测平均表达）相对。
11. Tissue Clearing：组织透明化。一种化学处理方法，使组织变得透明，让光线能穿透更深的组织层，从而实现深层3D成像。本文未使用，但它是3D成像的另一种主流策略。

三、这个领域的人在关心什么

这个领域的研究者核心追问是：在真实的、三维的组织环境中，细胞是如何组织、通讯和发挥功能的？ 尤其是在癌症中，肿瘤细胞如何“策反”或“逃避”免疫系统？哪些免疫细胞能真正接触到肿瘤细胞并发动攻击？哪些细胞在形成抑制免疫的“保护罩”？

主流方法与局限： - 主流方法1：2D多重成像（如CODEX, MIBI, CyCIF）。这些技术可以在2D切片上同时测量几十种蛋白，但正如本文指出的，它们都受限于薄切片中细胞不完整的问题。作者在引言中引用了Goltsev et al. (2018) 的CODEX和Keren et al. (2019) 的MIBI，这些是领域内的奠基性工作，但它们都基于2D。 - 主流方法2：单细胞RNA测序（scRNA-seq）。可以测量单个细胞的数千个基因表达，但这个过程会破坏组织，完全丢失空间信息。 - 主流方法3：3D成像（如光片显微镜、组织透明化+共聚焦）。可以看3D结构，但通常只能看少数几个荧光标记（3-4种），无法进行高多重蛋白分析。

本文的贡献：本文的核心贡献是将高多重蛋白分析（CyCIF）从2D扩展到了3D。它绕开了“组织透明化”这个复杂且可能破坏抗原的步骤，而是通过物理切割更厚的切片（30-50微米） 和优化成像与抗体渗透来实现。这使得研究者既能获得3D细胞形态和接触信息，又能同时分析几十种蛋白质。作者明确对比了2D和3D数据，用定量证据（如细胞核计数、细胞完整度比例）证明了2D分析的严重偏差。

四、数据问题

• 数据来源：人类肿瘤组织样本（黑色素瘤、乳腺癌、结直肠癌等），来自医院病理科。经过福尔马林固定、石蜡包埋（FFPE）的标准临床处理流程。
• 数据形态：3D多通道图像堆栈。每个样本产生一个由几十个“通道”（每个通道对应一种蛋白质标记物）组成的3D体积。每个通道是一个三维数组（x, y, z），z轴深度约30-50微米，x-y分辨率约0.3微米/像素，z步长约1微米。数据量巨大（单个样本可达TB级）。
• 结构特征：
  • 空间点过程：细胞核、细胞膜、特定蛋白信号在3D空间中的位置。
  • 层次结构：细胞 → 组织区域（如肿瘤巢、基质、免疫生态位）→ 整个组织。
  • 函数型结构：每个细胞的蛋白表达谱是一个高维向量（几十维）。
• Noise & 测量误差：
  • 泊松噪声：荧光成像的主要噪声源，光子计数服从泊松分布。
  • 非特异性结合：抗体可能与非目标蛋白结合，产生背景信号。
  • 光漂白与光毒性：反复成像会损伤组织并减弱荧光信号。
  • 组织自荧光：某些组织成分本身会发光，干扰信号。
• Selection / Bias / 缺失：
  • 样本选择偏差：来自医院，可能偏向于可手术切除的较大肿瘤。
  • 组织处理偏差：FFPE过程可能导致抗原丢失或结构变形。
  • 截断：3D体积的顶部和底部细胞仍可能不完整（边缘效应）。
  • 计算约束：TB级数据的存储、处理、分割和配准是巨大的工程挑战。
• 哪些是“漂亮的统计学问题”：
  • 空间点模式分析：如何判断两种细胞（如T细胞和肿瘤细胞）的接触是随机的还是显著的？这需要3D空间统计中的最近邻距离分析、Ripley's K函数、交叉K函数等，但需要扩展到3D并处理边界效应。
  • 细胞-细胞接触网络的统计推断：从3D图像中提取的细胞-细胞接触图是一个网络。如何推断这个网络的结构（如哪些细胞类型倾向于形成“枢纽”）？如何比较不同样本的网络？
  • 测量误差模型：如何为荧光成像的泊松噪声和抗体非特异性结合建立模型，并反卷积出真实的蛋白表达量？
• 哪些是“纯工程或领域难题”：
  • 图像配准：将几十轮成像的2D图像精确对齐到3D空间。
  • 细胞分割：在3D中准确分割出每个细胞的边界（尤其是当细胞密集时）。
  • 抗体渗透：确保抗体能均匀渗透到30-50微米厚的组织切片中。

五、方法与模型问题

• 分析方法：
  1. 3D CyCIF成像流程：对厚切片进行多轮染色-成像-洗脱，每轮用共聚焦显微镜获取一个3D图像堆栈。
  2. 图像预处理：包括背景校正、通道对齐（配准）、去噪。
  3. 3D细胞分割：使用基于深度学习的算法（如Cellpose的3D版本）或传统分水岭算法，从细胞核和细胞膜标记物图像中分割出单个细胞的3D体积。
  4. 单细胞定量：对每个分割出的细胞，计算其3D体积内每种蛋白标记物的平均荧光强度，得到一个高维表达向量。
  5. 细胞表型分析：基于表达向量，使用聚类（如t-SNE, UMAP）或手动门控（根据已知标记物组合）来定义细胞类型。
  6. 空间分析：
     • 细胞-细胞接触检测：通过计算两个细胞的3D表面是否相邻（距离小于一个阈值）来定义接触。
     • 免疫生态位分析：通过空间聚类（如DBSCAN）或手动定义区域，识别特定细胞类型的富集区域。
• 关键假设：
  • 抗体在3D组织中的渗透是均匀的（实际可能不成立）。
  • 多轮染色-洗脱过程不破坏组织结构和抗原性（作者通过实验验证了这一点）。
  • 细胞分割算法能准确识别所有细胞（在细胞密集区域仍有挑战）。
• 推断 / 计算手段：
  • 深度学习：用于细胞分割。
  • 聚类与降维：用于细胞表型分析。
  • 空间统计：用于接触检测和生态位分析（但本文主要使用描述性统计和可视化，而非严格的统计推断）。
  • 计算平台：使用高性能计算集群处理TB级图像数据。
• 核心结论 + 不确定性量化：
  • 核心结论：2D薄切片中大多数细胞不完整，导致细胞表型分类错误和细胞-细胞接触被严重低估。3D CyCIF能提供更准确的细胞状态和相互作用图谱，并揭示了2D中看不到的免疫生态位结构（如免疫细胞围绕肿瘤细胞形成“突触”）。
  • 不确定性量化：本文几乎没有进行正式的不确定性量化。结论主要基于描述性统计（如百分比、图像对比）和代表性图像展示。没有置信区间、p值或贝叶斯后验概率。这是本文作为一篇方法学论文的一个显著弱点，也是统计学家可以介入的地方。

六、对统计学家的判断

1. 这篇文章作为科普读物质量如何？

   • 4/5 星。作为一篇Nature Methods上的方法学论文，它非常出色地完成了“展示新方法价值”的任务。它用清晰的对比（2D vs. 3D）和直观的图像，让一个外行也能立刻理解为什么3D成像很重要。术语解释得不错，大问题（细胞不完整导致的分析偏差）讲得很明白。读完能长见识，了解空间生物学的一个核心痛点。扣一星是因为它没有深入讨论统计推断和不确定性，对于习惯严谨量化的统计学家来说，会觉得“故事讲得很好，但证据的统计强度不够”。

2. 这里面有没有统计学家会觉得有意思的东西？

   • 很有意思，值得留意。
   • (i) 科学趣味性：非常高。这个问题本身——“我们赖以诊断和研究疾病的2D组织切片，其基本分析单元（细胞）大部分是破碎的”——是一个颠覆性的、令人震惊的发现。它直接挑战了数十年组织病理学和空间生物学研究的基石。对于一个好奇的统计学家来说，理解这个测量偏差的来源和量级，本身就是一次极有价值的科普。
   • (ii) 方法学空间：非常大。本文暴露了一个丰富的、未被充分开发的统计建模问题。具体来说：
     • 空间点模式分析：如何从3D细胞坐标和接触网络中，严格地检验“细胞A和细胞B的接触频率是否显著高于随机”？这需要开发考虑3D边界效应、细胞大小异质性和标记物表达异质性的零模型。这直接关联到非参数统计和假设检验。
     • 测量误差模型：如何为荧光成像的噪声和抗体结合动力学建模，以反卷积出真实的蛋白表达量？这是一个典型的逆问题，与武器库中的“inverse problems with random noise”高度匹配。
     • 高维数据与聚类：几十种蛋白标记物在3D空间中的表达模式，构成了一个高维、空间相关的函数型数据。如何利用空间信息改进细胞表型聚类？如何量化聚类的不确定性？
     • 因果推断：虽然本文未涉及，但一个自然的延伸是：细胞-细胞接触是否导致了特定的基因表达变化？ 这需要从观察性空间数据中推断因果效应，面临复杂的混杂（如细胞类型本身决定了其接触偏好和表达谱）。这是一个极具挑战性的因果推断问题。
   • (iii) 现实相关性：高。空间数据（点模式、网络、图像）在神经科学、生态学、材料科学、地理学中无处不在。本文提出的“测量单元不完整导致分析偏差”问题，在所有这些领域都可能存在（例如，神经科学中的2D脑切片分析）。统计学家在别处也会遇到类似的数据结构和偏差问题。

3. 武器库匹配度

   • 有明显接口。本文暴露的空间点模式假设检验问题，可以直接使用非参数统计（如置换检验、基于核函数的检验）和高维渐近理论（当细胞数量很大时）来构建检验统计量并分析其性质。此外，开发一个用于3D空间分析的软件包，也是武器库中“software development”的一个自然应用。

4. 如果想进一步了解这个话题，下一步读什么？

   • 入门综述：本文的引言部分本身就是一篇很好的入门。此外，可以阅读Nature Methods上关于空间生物学的综述，例如“Spatial transcriptomics and in situ sequencing to study the tumor microenvironment” (作者和年份待核实，但这类综述很多)。
   • 奠基论文：
     • Goltsev et al. (2018) “Deep Profiling of Mouse Splenic Architecture with CODEX Multiplexed Imaging.” Cell. 这是2D高多重成像的奠基工作之一，本文直接引用了它并指出了其2D局限。
     • Keren et al. (2019) “A Structured Tumor-Immune Microenvironment in Triple Negative Breast Cancer Revealed by Multiplexed Ion Beam Imaging.” Cell. 另一篇2D高多重成像的奠基工作。
   • 可动手玩的数据集：本文作者通常会将数据公开。可以关注The Cancer Imaging Archive (TCIA) 或Synapse平台，搜索“3D CyCIF”或作者名字。此外，Human Tumor Atlas Network (HTAN) 项目也提供了大量空间生物学数据。

七、术语小抄

英文术语	中文	一句话解释
CyCIF	循环免疫荧光	一种通过反复染色-成像-洗脱，在同一张组织上检测几十种蛋白质的技术。
Multiplexed	高多重	指同时测量多种（通常>10种）生物分子。
Confocal Microscopy	共聚焦显微镜	一种能获取高分辨率光学切片，从而重建3D图像的显微镜。
Cell Phenotyping	细胞表型分析	根据细胞表达的蛋白质组合来判断其类型和状态。
Cell-Cell Contact	细胞-细胞接触	两个细胞的细胞膜直接物理接触，是细胞通讯的前提。
Juxtracrine Signaling	近分泌信号	通过细胞膜上受体-配体直接结合进行的短距离细胞通讯。
Tissue Microenvironment	组织微环境	细胞周围的所有成分（其他细胞、基质、血管等）的总和。
Immune Niche	免疫生态位	组织中一个局部区域，其中免疫细胞以特定方式组织并执行功能。
Spatial Profiling	空间分析	在保留组织原始空间位置信息的前提下测量分子表达。
Optical Sectioning	光学切片	通过改变显微镜焦平面，在不物理切割的情况下获取不同深度的图像。
FFPE	福尔马林固定石蜡包埋	一种标准组织保存方法，将组织固定并包埋在石蜡中以便切片。
Segmentation	分割	在图像中识别并勾画出每个独立细胞（或细胞核）的边界。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论