摘要：胶质母细胞瘤（Glioblastoma，GBM），是脑肿瘤中最凶险、最难缠的一种，手术、放疗、化疗轮番上阵，也常常难以彻底清除。许多患者在短暂缓解后，肿瘤很快就会“卷土重来”，而且复发时的肿瘤似乎变得更加狡猾、更难对付。为什么GBM如此难以驯服？它在治疗压力下

胶质母细胞瘤（Glioblastoma，GBM），是脑肿瘤中最凶险、最难缠的一种，手术、放疗、化疗轮番上阵，也常常难以彻底清除。许多患者在短暂缓解后，肿瘤很快就会“卷土重来”，而且复发时的肿瘤似乎变得更加狡猾、更难对付。为什么GBM如此难以驯服？它在治疗压力下到底发生了什么变化？复发的肿瘤还是原来的“恶魔”吗？

长期以来，研究人员就像试图理解一个复杂城市的人口变迁，只能通过“批量”数据（bulk data），看到肿瘤作为一个整体的总貌。但这就像只知道城市总人口和经济总量，却不知道里面有多少种职业、不同社区构成如何变化，以及这些社区是如何相互影响的。GBM内部是一个极其复杂的“生态系统”（ecosystem），不仅有疯狂生长的恶性肿瘤细胞，还有各种各样的“肿瘤微环境”（Tumor Microenvironment，TME）细胞，比如免疫细胞、血管细胞以及被肿瘤劫持的正常脑细胞。这些细胞的种类、比例、状态，以及它们之间的互动，都在动态演变，共同决定了肿瘤的命运。

要真正揭开GBM复发的“变脸术”，我们需要一个更高清的视角，看到“城市”里的每一个“居民”及其变化。得益于单细胞组学技术（single-cell genomics），现在我们终于可以做到了。5月9日《Nature Genetics》的研究报道“Deciphering the longitudinal trajectories of glioblastoma ecosystems by integrative single-cell genomics”，汇集了全球顶尖力量，对近60名GBM患者在初发和复发时的肿瘤样本进行了“单细胞”层面的深入分析。这不仅仅是对比两个时间点，更是追踪同一个肿瘤在治疗前后的“纵向演变轨迹”（longitudinal trajectories）。他们在这趟“单细胞”的探索之旅中发现了哪些令人惊叹、甚至有些出乎意料的秘密？GBM复发到底遵循着怎样的“规则”？那些躲过治疗的“种子”又是如何重塑肿瘤生态系统的？

进入“单细胞”时代：解码肿瘤生态系统的秘密

近年来，单细胞组学（single-cell genomics）技术取得了突破，让我们有机会以前所未有的分辨率去“窥探”肿瘤内部的每一个细胞。这项技术能够分别检测肿瘤中每个细胞的基因表达（通过单核RNA测序single-nucleus RNA sequencing，snRNA-seq）或基因组变异（通过单细胞DNA测序）。

在这项新的研究中，研究人员正是利用了这种强大的工具，深入研究了GBM在接受标准治疗前（初发，Primary，T1）和复发后（复发，Recurrence，T2/T3）的演变轨迹。他们建立了一个名为GBM CARE（Glioblastoma Cellular Analysis of Resistance and Evolution，胶质母细胞瘤耐药性和演变细胞分析）的大型研究联盟，汇集了来自全球多家顶尖医院的59名GBM患者的肿瘤样本。对于这些患者，他们收集了初发和复发时的配对肿瘤样本，总共分析了121个肿瘤样本，并对其中约43万个细胞的单核RNA进行了测序，同时对肿瘤组织进行了批量DNA测序（WES/WGS）。

这项研究的独特之处在于其前所未有的规模（59对匹配样本）和多组学整合分析（单细胞转录组 + 批量基因组），这使得研究人员能够：1) 清晰地区分肿瘤中的恶性细胞和非恶性细胞；2) 详细刻画这些细胞在治疗前后的“身份”（细胞类型Cell Type）和“状态”（Malignant Cell State，即恶性细胞的不同转录组亚型）；3) 追踪肿瘤生态系统的整体“构成”（Composition）在治疗前后的变化；4) 探索基因组变异对细胞状态演变的影响；5) 最重要的一点，对比初发和复发样本，揭示GBM生态系统的纵向演变轨迹。

复发肿瘤的“新面貌”：恶性细胞退潮，脑神经细胞登场？

通过对这59对匹配的初发和复发GBM样本进行详细分析，研究人员发现了一些在肿瘤复发时普遍出现的“新面貌”。

其中最一致的变化发生在肿瘤生态系统的构成层面：相比于初发肿瘤，复发肿瘤中的恶性细胞比例显著降低。与此相对应的是，肿瘤微环境中的一些非恶性细胞，尤其是属于“胶质-神经”（glio-neural）类群的细胞，比例显著增加。这些细胞主要包括少突胶质细胞（Oligodendrocyte）、神经元（Neuron）以及星形胶质细胞（Astrocyte，ACs）。具体来说，研究发现，在66%的病例中观察到了这种恶性细胞比例降低和胶质-神经TME细胞比例增加的趋势。

为了验证这一发现，研究人员还分析了一个独立的、已发表的GBM单细胞数据集，结果也显示出相似的趋势：复发肿瘤中恶性细胞更少，而少突胶质细胞比例更高。

更有意思的是，这项研究根据肿瘤复发时的细胞构成（恶性细胞比例高低，以及低恶性细胞比例肿瘤中占主导的TME细胞类型）将患者分成了不同的组别。结果显示，那些在复发时表现为“低恶性细胞比例且胶质-神经TME占主导”（LMF-GN）的患者，在接受第二次手术后，生存时间显著长于其他组的患者（中位生存时间为19个月，而其他组为8个月，Log-rank检验 P = 0.012）。这提示我们，复发肿瘤的细胞构成可能与患者的预后息息相关，胶质-神经TME的富集或许预示着一个相对“温和”的复发类型。

恶性细胞的“百变状态”：没有统一的“剧本”

除了整体细胞构成的变化，恶性肿瘤细胞本身也具有高度的转录组异质性，表现为不同的“细胞状态”（cell states）。这项研究根据基因表达模式，将恶性细胞划分为了十种主要的状态，包括细胞周期（Cell Cycle）、星形胶质细胞样（AC-like）、间充质样（MES-like）、应激（Stress）、缺氧（Hypoxia）、神经祖细胞样（NPC-like）、少突胶质细胞祖细胞样（OPC-like）、分化神经元样（NEU-like）、胶质祖细胞样（GPC-like）以及纤毛相关状态（Cilia-like）。此外，研究还定义了三种与细胞状态比例无关的、反映肿瘤间异质性的“基线基因表达谱”（Baseline Profiles，BP），分别注释为胶质BP（Glial-BP）、细胞外基质BP（ECM-BP）和神经元BP（Neuronal-BP）。

先前一些基于批量测序的研究曾提出，GBM复发时常常发生从“神经祖细胞样”（proneural）到“间充质样”（MES-like）的转变。然而，这项大型单细胞研究却揭示了一个更为复杂的景象：在整个队列中，研究没有观察到任何一种特定的恶性细胞状态在复发时普遍富集。也就是说，GBM恶性细胞在治疗前后的“状态转变”并没有一个统一的“剧本”。

但需要强调的是，虽然没有统一的转变趋势，某些恶性细胞状态的存在确实与预后相关。例如，研究发现在复发肿瘤中，如果间充质样/缺氧（MES-like/Hypoxia）状态占主导，患者在第二次手术后的生存时间显著更短（中位生存时间为5个月，而其他恶性细胞状态占主导的患者为10.3个月，Log-rank检验 P = 0.00086）。这再次印证了肿瘤细胞状态对患者预后的重要影响。

个体轨迹的“迷宫”：千变万化的复发路径

如果从单个患者的角度来看，GBM的复发轨迹则更加“捉摸不透”。尽管群体层面显示了一些平均趋势（如恶性细胞减少），但当研究人员对比每一对匹配的初发和复发样本时，发现肿瘤的演变轨迹呈现出巨大的多样性。

数据显示，大多数样本对在细胞构成组别上发生了变化，高达68%的样本对从初发时的某种构成组别转变为复发时的另一种。同样，64%的样本对在主要的恶性细胞状态组别上发生了转变，56%在基线基因表达谱组别上发生了转变。研究甚至观察到了截然相反的演变轨迹，例如某个患者复发时AC-like细胞增加而GPC-like细胞减少，而另一个患者则恰好相反。

这种巨大的个体差异使得GBM的复发轨迹如同一个“迷宫”。尽管如此，这项研究发现，匹配的初发-复发样本对之间的转录组相似度仍然显著高于随机配对的样本。这意味着虽然路径多样，但同一患者的肿瘤在演变过程中保留了某种程度的“身份连续性”，它们之间的相似度仍然比随机选取的两个肿瘤更高。这提示我们，复发并非完全随机，而是初发肿瘤固有特征与治疗及微环境相互作用的结果。

拨开迷雾：谁在影响肿瘤的“变脸”？

既然复发轨迹如此多样，那么是否存在一些特定的因素，会影响GBM的演变方向呢？研究人员将目光投向了两种重要的“分子调节因子”（Molecular Modifiers）：MGMT基因的状态和治疗诱导的基因组变异。

首先是MGMT（O-6-甲基鸟嘌呤-DNA甲基转移酶），它是一种DNA修复蛋白，其启动子的甲基化状态（MGMT promoter methylation status）与GBM对TMZ化疗的敏感性密切相关。MGMT启动子甲基化（MGMT-MET）的肿瘤通常对TMZ更敏感，患者预后也更好。这项研究发现，在MGMT启动子甲基化的初发肿瘤中，恶性细胞本身的MGMT基因表达水平显著低于非甲基化的肿瘤（P = 5.3 × 10⁻⁶）。研究进一步构建了一个模型，利用恶性细胞的MGMT表达水平来预测MGMT甲基化状态，发现这种基于表达水平的预测与患者手术间隔时间（衡量治疗反应的一个指标）的相关性更强。

更重要的是，恶性细胞的MGMT表达水平与肿瘤复发时的间充质样（MES-like）状态丰度显著相关。具体来说，在MGMT表达水平较低的肿瘤（通常对应MGMT-MET）中，复发时间充质样状态的丰度会降低；而在MGMT表达水平较高的肿瘤（通常对应MGMT-UM）中，复发时则表现出相反的模式，间充质样状态的丰度升高。间充质样状态通常与肿瘤的侵袭性、血管生成和耐药性有关，因此MGMT-low肿瘤复发时MES-like状态的减少，或许解释了MGMT-MET患者更好的预后。

其次是治疗诱导的基因组变异。研究发现，在复发肿瘤中，一些与DNA错配修复缺陷相关的突变信号（如COSMICv3 SBS签名中的SBS21）增加了，同时还有小片段插入/缺失（small insertion/deletion）的负担增加。研究特别关注了小片段缺失，发现有10例复发肿瘤表现出明显的small deletion phenotype。

有趣的是，那些获得small deletion phenotype的复发肿瘤，与缺氧（Hypoxia）和间充质样（MES-like）细胞状态的富集相关（paired Wilcoxon rank-sum test, P

总的来说，这项研究识别出两个关键的“分子调节因子”：恶性细胞的MGMT表达水平（与TMZ反应相关）和小片段缺失变异（可能与放疗相关），它们能够影响肿瘤复发时恶性细胞的状态演变轨迹。

生态的共舞：肿瘤细胞与微环境的协同演进

这项研究还强调了一个重要的概念：GBM的“生态系统”是协同演进的。也就是说，恶性细胞的变化与肿瘤微环境的变化并非孤立发生，而是相互关联、相互影响的。

研究发现，恶性细胞状态丰度的变化与TME细胞构成以及基线基因表达谱的变化之间存在显著关联。例如，恶性细胞的神经元样（NEU-like）状态与神经元基线表达谱密切相关，这种关联在复发肿瘤中可能增强。同时，胶质-神经TME中的少突胶质细胞和神经元表达的配体（如神经粘连素NLGN和神经调节蛋白NRG家族）被预测与恶性细胞的受体（如神经粘连素家族NRXN或ERBB4）相互作用，这种相互作用在复发时可能更频繁。这些发现支持了治疗后残余GBM细胞可能更深入地整合到脑实质中的假说。

这意味着GBM的复发不仅是恶性细胞自身的演变，也是其与周围微环境共同适应和改变的过程。恶性细胞的状态可能会影响它们与TME细胞的互动方式，而TME细胞的组成和分泌的信号也反过来影响恶性细胞的行为和状态。这种复杂的“共舞”共同塑造了肿瘤的复发。

绘制复发“导航图”：通往更精准的治疗

这项大型单细胞研究为我们描绘了一幅前所未有的GBM复发“蓝图”。它清晰地展现了GBM复发轨迹的巨大多样性和复杂性，挑战了以往某些过于简化的模型。虽然大多数轨迹是不可预测的“迷宫”，但研究成功地在这些“迷宫”中识别出了一些关键的“路标”和“岔路口”。

最普遍的变化是肿瘤生态系统的构成转变：恶性细胞比例下降，胶质-神经TME增加。这或许是一个积极的信号，并与更好的预后相关。同时，研究也揭示了恶性细胞状态转变的复杂性，没有统一的模式，但某些复发状态（如间充质样/缺氧）预示着更差的预后。

更重要的是，研究识别出了影响这些轨迹的关键分子调节因子：恶性细胞的MGMT表达水平和治疗诱导的小片段缺失。这些因素似乎能够“引导”肿瘤走向特定的演变路径（例如，MGMT-low与复发时MES-like状态的减少相关，小片段缺失与缺氧/MES-like状态的增加相关）。

这项研究的发现具有重要的临床意义。它提示我们，GBM复发是一个高度个体化的过程。理解每个患者肿瘤独特的演变轨迹以及驱动这一轨迹的关键因素，是实现精准治疗的关键。未来，我们或许可以利用单细胞技术和基因组分析，为复发GBM患者绘制个性化的“复发导航图”，根据肿瘤复发时的具体生态系统状态和潜在的演变驱动力，选择最有可能有效的治疗策略。

尽管GBM的复发轨迹复杂如迷宫，但这项研究利用前沿的单细胞技术，为我们点亮了迷宫中的部分路径，为最终征服这个顽固的“脑中恶魔”迈出了坚实的一步。未来的研究将需要进一步探索这些轨迹的详细分子机制，并开发能够针对特定复发亚型的创新疗法。

参考文献

Spitzer A, Johnson KC, Nomura M, Garofano L, Nehar-Belaid D, Darnell NG, Greenwald AC, Bussema L, Oh YT, Varn FS, D'Angelo F, Gritsch S, Anderson KJ, Migliozzi S, Gonzalez Castro LN, Chowdhury T, Robine N, Reeves C, Park JB, Lipsa A, Hertel F, Golebiewska A, Niclou SP, Nusrat L, Kellet S, Das S, Moon HE, Paek SH, Bielle F, Laurenge A, Di Stefano AL, Mathon B, Picca A, Sanson M, Tanaka S, Saito N, Ashley DM, Keir ST, Ligon KL, Huse JT, Yung WKA, Lasorella A, Iavarone A, Verhaak RGW, Tirosh I, Suvà ML. Deciphering the longitudinal trajectories of glioblastoma ecosystems by integrative single-cell genomics. Nat Genet. 2025 May 9. doi: 10.1038/s41588-025-02168-4. Epub ahead of print. PMID: 40346362.

声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！

往期热文：

Nature | 从NGG到任意PAM：揭秘AI驱动的Cas9变体设计

Cell | 意想不到！细胞力学成细菌“同伙”？揭秘牵引力如何引导入侵热点

Nature

Nature Medicine

Science | cycleHCR技术实现深层组织RNA与蛋白质同步高分辨成像

Nature Methods

来源：生物探索一点号1