免疫分型+6 种 ML+单细胞:南京中医药团队快速拿下 2 区,CXCL9 锁定 TNBC 免疫密码

免疫分型：打破“一刀切”的预测困局

三阴性乳腺癌（TNBC）是乳腺癌中最难对付的亚型，免疫检查点阻断（ICB）治疗虽然带来曙光，但响应率差异极大——部分患者持久获益，另一部分却快速耐药。传统的风险评分模型习惯于把所有患者“一锅烩”，忽略了疾病内在的免疫异质性，导致预测不够精准。

免疫分型正是为解决这一痛点而生：先根据免疫特征将患者归入不同的“功能亚型”，再针对每种亚型寻找标志物和预测规则。这种“先分型、后建模”的策略，比直接全人群建模更能捕捉免疫微环境的本质差异，也更有临床转化潜力。

本文聚焦的三个核心问题

1. 能否用无监督深度学习模型对TNBC进行稳健的免疫分型？

2. 分型后，能否用机器学习锁定区分敏感/耐药亚型的核心标志物？

3. 核心标志物在单细胞层面定位于哪些免疫细胞？其上游调控机制是什么？

研究采用“免疫分型→机器学习筛选→单细胞验证→实验解析调控”的层层递进方案，干湿结合，收放有度。

• 数据来源：TCGA‑TNBC、GEO及GTEx正常乳腺组织批量转录组数据；TNBC单细胞数据GSE266919；ICB治疗响应及生存等临床信息。

• 免疫分型：构建AE‑K‑means（自编码器+K均值）无监督分型模型，通过肘部法则确定最优聚类数。与NMF、CCP、VAE‑GMM等多种传统分型模型对比，以轮廓系数、DBI指数等指标系统性评估分型性能。

• 亚型验证：通过生存预后、免疫浸润（ssGSEA/CIBERSORT）、通路富集（GSVA/GSEA）等多维度检验亚型的生物学异质性。

• 核心标志物筛选：取敏感亚型与非敏感亚型的差异表达基因（DEGs），采用6种机器学习算法进行特征筛选，交集锁定核心基因。

• 诊断模型构建：基于核心基因构建随机森林（RF）模型，评估其区分亚型及预测ICB响应的效能。

• 单细胞验证：对scRNA‑seq数据进行质控、降维聚类、细胞注释，分析核心基因在各免疫细胞中的表达分布及在敏感/耐药组中的比例差异，并通过CellChat进行细胞间通讯分析。

• 实验验证：通过共表达关联分析锁定上游调控因子，体外实验验证调控关系。

3.1 AE‑K‑means 免疫分型：性能碾压传统模型

与 NMF、CCP、VAE‑GMM 等传统分型模型相比，AE‑K‑means 在轮廓系数、聚类稳定性等方面全面领先。该模型将 TNBC 清晰划分为三种免疫亚型：中间型、敏感型和耐药型，不同亚型在免疫微环境组成上泾渭分明。

3.2 亚型异质性验证：生存、免疫、通路三重差异

三种亚型之间存在显著的预后差异：敏感型生存最好，耐药型最差。免疫浸润分析显示，敏感型高度富集抗肿瘤免疫细胞和免疫激活通路，耐药型则以免疫抑制和免疫逃逸为特征。这证明分型真实对应了 TNBC 的免疫生物学本质。

3.3 6 种机器学习筛选：CXCL9 是核心中的核心

聚焦敏感/耐药亚型，共鉴定出 34 个差异表达基因。6 种机器学习算法并行筛选并取交集后，获得 13 个核心基因。其中，CXCL9 在重要性评分和 SHAP 值上均遥遥领先，被锁定为最关键的特征标志物。

3.4 RF 诊断模型：CXCL9 可独立区分耐药与敏感

基于 13 个核心基因构建的 RF 模型具有极强的亚型区分能力，AUC 值优秀。更关键的是，CXCL9 单基因即可达到接近全模型的区分效能，提示它有望成为简化的临床检测指标，直接用于判断 ICB 响应可能性。

3.5 单细胞全景：CXCL9⁺ 巨噬细胞是免疫激活“桥梁”

在单细胞分辨率下，CXCL9 特异性高表达于巨噬细胞、树突状细胞和单核细胞，在 T 细胞及其他细胞中几乎不表达。ICB 敏感组中 CXCL9⁺ 巨噬细胞的比例显著高于耐药组，证明其与疗效直接挂钩。

细胞通讯分析进一步揭示，CXCL9⁺ 巨噬细胞是肿瘤微环境中与 T 细胞互作最活跃的群体，涉及多条免疫激活和趋化相关信号通路。形象地说，它们像“信号塔”一样，将抗肿瘤 T 细胞招募并激活，从而维持免疫热性。

3.6 上游调控机制：IDO1‑CXCL9 轴浮出水面

通过共表达关联分析，研究者锁定 IDO1 与 CXCL9 显著正相关，是潜在的调控因子。IDO1 是已知的免疫检查点分子，其与 CXCL9 的“绑定”可能构成完整的免疫调控轴。体外实验证实了二者的调控关系，为未来联合靶向 IDO1 和 CXCL9 通路的策略提供了实验基础。

创新点

1. AE‑K‑means 深度学习分型：首次将自编码器嵌入 TNBC 免疫分型，性能超越传统 NMF、CCP 等模型，是分型算法创新的示范。

2. “6 种机器学习交集”筛选：多算法并行取交集，极大增强了核心标志物的稳健性和可信度。

3. 完整逻辑链：分型→筛选→单细胞→实验，逐层收缩，既有预测又有机制，省力且说服力强。

4. CXCL9 的转化潜力：单基因即可区分亚型、预测 ICB 响应，且可检测性强，临床转化门槛低。

局限性

1. 免疫分型的稳定性有待更大规模、跨种族数据验证。

2. IDO1‑CXCL9 轴的实验验证停留在细胞层面，缺乏体内模型支持。

3. 单细胞数据仅一套，CXCL9⁺ 巨噬细胞功能未通过共培养或条件性敲除验证。

4. RF 模型需在前瞻性队列中检验真实预测效能。

一句话总结

通过 AE‑K‑means 免疫分型结合 6 种机器学习筛选，CXCL9 被锁定为 TNBC 免疫亚型的关键特征；其阳性巨噬细胞通过活跃的 T 细胞通讯决定 ICB 响应，而上游 IDO1 为联合治疗打开新窗口。

启发与展望

1. 免疫分型是预测模型的“二次生命”：在疾病研究趋于饱和时，加入分型维度能重新打开创新天花板。

2. 机器学习算法本身即是创新点：分型或筛选算法的升级，完全可以成为文章的独立卖点。

3. 单细胞不再是“配角”：从简单的验证升级为机制解释的核心手段，直接抬高文章层次。

4. 上游调控的挖掘是点睛之笔：从共表达顺藤摸瓜找到 IDO1，形成了干湿结合的经典闭环。