摘要：癌症细胞可受神经系统影响获得恶性特征。本研究评估了多种癌症类型中肿瘤微环境（TME）内神经浸润程度，将其视为一种癌症特征。作者利用 10 种癌症类型的 40 个批量 RNA 测序数据集，识别出癌症相关神经基因，并开发出癌症相关神经浸润预测评分（C-Neural

全文32个Figure，小编认证的高质量生信文章，投稿到接收仅两个多月！

发表杂志名称：Briefings in Bioinformatics

中文标题：通过评估癌症中的神经浸润揭示一种新的癌症特征

英文标题：Unveiling a novel cancer hallmark by evaluation of neural infiltration in cancer

影响因子：6.8

发表日期：2025 年3月2日

癌症细胞可受神经系统影响获得恶性特征。本研究评估了多种癌症类型中肿瘤微环境（TME）内神经浸润程度，将其视为一种癌症特征。作者利用 10 种癌症类型的 40 个批量 RNA 测序数据集，识别出癌症相关神经基因，并开发出癌症相关神经浸润预测评分（C-Neural 评分）。C-Neural 评分高的癌症样本，更易出现神经周围浸润、复发、转移、分期或分级更高，预后也较差。在 55 个单细胞 RNA 测序数据集中，上皮细胞的 C-Neural 评分最高。高 C-Neural 评分的上皮细胞（epi-highCNs）具有拷贝数变异增加、细胞分化减少、上皮 - 间质转化评分更高以及代谢水平升高等特点，且常通过 FN1 信号通路与施万细胞进行通讯。共培养实验表明，施万细胞可能通过上调 VDAC1 促进癌症进展。此外，C-Neural 评分与抗肿瘤免疫细胞的浸润呈正相关，暗示其对免疫治疗的潜在反应，高 C-Neural 评分的黑色素瘤患者可能从曲美替尼治疗中获益。这些分析揭示了 TME 中神经影响的程度，表明其作为癌症特征的潜力，并为有效的癌症治疗策略提供了参考。

模式图

C-Neural 评分表明癌症的恶性程度：

作者评估了 10 种癌症类型的肿瘤微环境中神经浸润（C-Neural 评分）情况（图 S1A） 。从数据库和文献中收集神经基因（图 1a），识别出癌症特异性差异表达神经基因（DEG-Ns），部分神经基因在多种癌症类型中均有差异表达（图 1b、c；图 S2A）。在至少七种癌症类型中上调的 DEG-Ns，在神经退行性疾病和癌症特征中显著富集（图 S2B）。计算癌症样本的神经浸润水平后发现，C-Neural 评分与胰腺癌、肾癌和胶质瘤的癌症特征评分呈正相关；在所有癌症类型中，“基因组不稳定和突变”“衰老细胞” 等特征与 C-Neural 评分正相关（图 S2C）。在 TCGA 数据库的肺腺癌（LUAD）、乳腺癌（BC）和胰腺癌（PAAD）数据中，与 C-Neural 评分相关的上调基因，在癌症特征通路中显著富集（图 S3）。研究 C-Neural 评分与临床病理特征的关系时发现，头颈部鳞状细胞癌（HNSC）中神经周围浸润（PNI）阳性、晚期结肠腺癌或存活的 LUAD 患者的 C-Neural 评分，高于 PNI 阴性患者（图 1d；图 S4A、B）。对于复发性 LUAD 和胶质瘤样本，其 C-Neural 评分显著高于原发性样本（图 1e - h）。转移性样本的 C-Neural 评分也显著更高（图 1i、j）。

而且，在 TCGA 和多个独立数据集中，C-Neural 评分与大多数癌症类型的分期或分级呈正相关（图 2a、b；图 S6）。此外，C-Neural 评分较高的患者预后较差（图 2c；图 S4C）。作者还探究了 TME 成分中 C-Neural 评分的水平，发现高 C-Neural 评分的样本，肿瘤纯度、肿瘤细胞含量和肿瘤大小更高（图 2d - f）。在 LUAD 数据集中，C-Neural 评分与肿瘤纯度和干性指数正相关，与免疫和基质评分负相关（图 S5A - G）。并且，C-Neural 评分与通过免疫组化和算法评估的肿瘤纯度评分，在 TCGA 的八种癌症类型中显著正相关（图 S5H）。总体而言，C-Neural 评分越高，肿瘤纯度越高，TME 成分显示出不同的神经信号

泛癌单细胞 RNA 测序揭示神经浸润的异质性：

鉴于在批量测序数据中观察到的 TME 成分与 C-Neural 评分的明显相关性，作者使用 55 个单细胞 RNA 测序数据集，研究不同细胞类型中 C-Neural 评分水平的异质性，以验证和扩展这些发现（图 S1C）。经过质量控制，96.82% 的泛癌单细胞 RNA 测序数据集中保留了超过 80% 的 DEG-Ns（图 S6A）。在 10 种癌症类型中注释了 28 种细胞类型，并评估了 C-Neural 评分的分布差异（图 3a、b）。在大多数数据集中，上皮细胞倾向于分布在高分组，而肥大细胞、内皮细胞、T 细胞和 B 细胞主要分布在低分组。作者揭示了所有数据集中，高、低 C-Neural 评分组之间细胞类型分布比例的显著差异（图 3c）。上皮细胞、增殖细胞和星形胶质细胞在高 C-Neural 评分组中的比例显著更高，而肥大细胞和内皮细胞等细胞在高 C-Neural 评分组中的比例显著降低。这些结果强调了 TME 中存在多样的神经信号，且上皮细胞在高 C-Neural 评分细胞群体中明显富集

Epi-highCNs 显示出高度恶性，并频繁与施万细胞通讯：

PNI 是 PAAD 的常见特征，存在于切除区域。根据空间转录组 RNA 测序，在 PNI 和施万细胞标记物高表达的区域，C-Neural 评分显著更高（图 4a；图 S6B）。作者进一步研究了具有不同神经信号的上皮细胞亚群之间的差异（图 S1C）。将上皮 / 导管细胞分为 epi-highCNs 和 epi-lowCNs 亚群，在 PDAC_2023Xue_sc 数据集中，它们在 t 分布随机邻域嵌入（t-SNE）图中占据不同位置（图 4b；图 S7A - D）。非整倍体细胞在 epi-highCNs 中显著富集（图 4c）。epi-highCNs 的 CytoTRACE 评分显著高于 epi-lowCNs，且从 epi-highCNs 到 epi-lowCNs，分化评分逐渐增加（图 4d、e）。结合推断的伪时间，作者确定了从 epi-highCNs 到 epi-lowCNs 的分化轨迹，表明 epi-highCNs 的干性增加（图 4f）。此外，epi-highCNs 中氧化磷酸化（OXPHOS）和一些代谢途径上调（图 S7E），其 EMT 评分显著增加（图 4g；图 S8）。这些分析突出了 epi-highCNs 中癌症特征的上调，揭示了 C-Neural 评分识别恶性上皮细胞的潜力。作者还探索了 epi-highCNs 和 epi-lowCNs 在 TME 中细胞间通讯的差异。在 PAAD 单细胞 RNA 测序数据集中，epi-highCNs 与其他细胞类型的通讯，比 epi-lowCNs 更多、更强（图 4h、i；图 S9），尤其是与施万细胞和神经内分泌细胞（图 S10A、B）。epi-highCNs 与巨噬细胞和 fibroblasts 的相互作用增加（图 4h、i；图 S9）。在 PDAC_2023Xue_sc 数据集中，epi-highCNs、炎性癌症相关成纤维细胞（iCAFs）和施万细胞的相互作用水平更高（图 S10C - H）。施万细胞通过 FN1 信号和胶原蛋白相关的配体 - 受体对，与 epi-highCNs 相互作用（图 4j；图 S11、S12）。结果表明，epi-highCNs 经常与其他细胞通讯，尤其是成纤维细胞，在 PAAD 中施万细胞通过 FN1 和胶原蛋白信号与 epi-highCNs 通讯

施万细胞通过 VDAC1 促进胰腺癌进展：作者研究了胰腺癌组织中施万细胞与 VDAC1 表达之间的关系。VDAC1 主要在上皮细胞中表达（图 S14）。在胰腺导管腺癌（PDAC）组织中，表达 VDAC1 的细胞与施万细胞（以 S100B 标记）共定位，而在相邻的正常组织中，二者是分离的（图 5a）。免疫组化进一步证实，PNI 阳性患者的 VDAC1 表达更高（图 5b）。作者将敲低 VDAC1 的 Panc-1 细胞（siVDAC1）或阴性对照（siNC）与施万细胞进行共培养（图 5c）。CCK8 检测显示，在施万细胞条件培养基（SC-CM）中，Panc-1-siVDAC1 细胞密度显著降低（图 5d）。在 Panc-1-siVDAC1 细胞中，观察到 ZO-1 表达增加，波形蛋白（Vimentin）表达降低，这表明 EMT 活性降低（图 5e、f）。此外，siVDAC1 降低了 Panc-1 细胞在 SC-CM 中的迁移和侵袭能力，伤口愈合实验进一步证实了 Panc-1-siVDAC1 细胞迁移能力下降（图 5g - j） 。综上，VDAC1 在 PNI 阳性的 PDAC 组织中高表达，并且在 SC-CM 中，其与 PDAC 细胞的增殖、迁移、侵袭和 EMT 相关，这表明 VDAC1 在施万细胞介导的 PDAC 进展中起着关键作用。

通过 C-Neural 评分表征 LUAD 细胞亚群的不同恶性程度，以及与 CD8 T 细胞的差异通讯：

通过全组织免疫标记和 3D 评估协议 iDISCO (ace)，在完整的肺组织中观察到密集的神经支配。作者假设远端神经信号会影响 TME 中的肿瘤细胞。在 LUAD_2022atlas_sc 数据集中，相邻正常样本、原发性样本和转移性样本的 C-Neural 评分逐渐增加（图 6a）。在所有细胞类型中，肿瘤细胞的 C-Neural 评分更高（图 S15A）。肿瘤细胞高 C-Neural 评分组（tumor cell-highCNs）中显著上调的差异表达基因（DEGs），在 OXPHOS 途径和神经退行性疾病中显著富集（图 S15B）。此外，tumor cell-highCNs 中嘌呤代谢和一些代谢过程上调（图 6b），其分化程度也更低（图 6c；图 S15C）。这些结果表明，tumor cell-highCNs 的恶性程度高于肿瘤细胞低 C-Neural 评分组（tumor cell-lowCNs）。tumor cell-highCNs 向 CD8 T 细胞发送更强的通讯信号，并从基质细胞接收更多通讯信号（图 6d - f；图 S16A、B）。tumor cell-highCNs 通过 MIF 信号通路与其他细胞类型相互作用（图 6g；图 S16C - E）。作者进一步研究了肿瘤细胞和 CD8 T 细胞亚群之间的细胞通讯，发现 tumor cell-highCNs 与效应记忆 CD8 T 细胞和终末耗竭 CD8 T 细胞特异性相互作用（图 6h、i；图 S16F、G）。此外，tumor cell-highCNs 通过 MIF 和人类白细胞抗原（HLA）相关的配体 - 受体对，与 CD8 T 细胞密切通讯，CD8 T 细胞则通过 CD99 - CD99 和 ITGB2 - ICAM1 相互作用向 tumor cell-highCNs 发送信号（图 6j；图 S16H）

对免疫治疗有反应的患者 C-Neural 评分升高：

鉴于 tumor cell-highCNs 与 CD8 T 细胞通讯，作者进一步研究了 C-Neural 评分与免疫细胞浸润和免疫治疗反应的相关性（图 S1D）。在免疫检查点抑制剂（ICI）治疗前的黑色素瘤、非小细胞肺癌（NSCLC）和乳腺癌样本的批量 RNA 测序数据集中，有反应的患者 C-Neural 评分，显著高于无反应的患者（图 7a - d；图 S19A - C）。所有数据集中，受试者工作特征曲线下面积（AUC）值均超过 0.60（图 S19D - J）。作者将 C-Neural 评分的预测性能，与其他 10 种特征和算法进行比较，发现在 Melanoma_2019Liu、Melanoma_phs000452v3、Melanoma_2015VanAllen 和 NSCLC_2023Ravi 数据集中，C-Neural 评分的 AUC 值最高（图 S20）。高 C-Neural 评分的患者，其突变水平更高（图 S21A - D）。作者还揭示了 C-Neural 评分与 HLA 和 CD274 之间的正相关关系（图 7e）。活化的记忆 CD4 T 细胞、滤泡辅助性 T 细胞、M0 巨噬细胞和 M1 巨噬细胞，与 C-Neural 评分正相关，而静止记忆 CD4 T 细胞则显著负相关（图 7f；图 S21E）。CD8 T 细胞浸润与 C-Neural 评分显著正相关，这意味着在高 C-Neural 评分样本中，上皮细胞与 CD8 T 细胞的相互作用增加，与之前对 LUAD_2022atlas_sc 数据集的分析一致。作者在单细胞分辨率下研究了 C-Neural 评分与免疫治疗反应之间的关系，发现有反应的 LUAD 患者的细胞，C-Neural 评分显著更高（图 7g、h；图 S22A - D）。有反应的 LUAD 患者的上皮细胞，C-Neural 评分更高（图 7i），无反应的 LUAD 患者的上皮细胞，主要分布在低 C-Neural 评分组（图 7j）。此外，有反应的 NSCLC 批量样本的 C-Neural 评分也更高（图 S22E）。这些比较分析强调了 C-Neural 评分升高与免疫治疗反应的关联，表明抗肿瘤免疫细胞被激活

基于 C-Neural 评分预测抗癌药物治疗效果：

针对癌症特征进行药物治疗，已成为一种合理的策略，旨在破坏癌症的多种功能。作者研究了 C-Neural 评分指导癌症治疗药物选择的潜力（图 S1E）。在 10 种组织类型的癌细胞系中，作者识别出剂量反应值与 C-Neural 评分显著相关的药物（图 S23A - E）。在四个药理筛选数据集中，阿昔替尼、AZD-7762、CHIR-99021 和奥拉帕尼与 C-Neural 评分正相关，而阿法替尼和曲美替尼与 C-Neural 评分负相关（图 8a - e）。接着，作者使用 oncoPredict 算法在 TCGA 数据集中推断的药物敏感性值，检验这些观察结果。阿昔替尼、AZD-7762 和奥拉帕尼与 C-Neural 评分正相关，阿法替尼和曲美替尼与 C-Neural 评分负相关（图 S23F、G）。在 BRCA_TCGA 数据集中，AZD-7762 的药物敏感性值与 C-Neural 评分正相关，这表明 C-Neural 评分较低的 BC 患者，可能对 AZD-7762 敏感（图 8f）。在黑色素瘤细胞系中，曲美替尼的 IC50 值和细胞活力，与 C-Neural 评分负相关（图 8g、h）。高 C-Neural 评分的黑色素瘤细胞系，IC50 值和活力降低（图 S23H、I）。这些结果表明，高 C-Neural 评分的黑色素瘤患者，可能从曲美替尼治疗中获益，总体上表明了 C-Neural 评分在预测癌症药物治疗方面的潜力

本研究提出了 C-Neural 评分，用于评估多种癌症类型中肿瘤微环境的神经浸润水平，揭示其与癌症恶性程度的关联。 研究发现 C-Neural 评分与肿瘤纯度、分期、分级、复发、转移及不良预后相关，上皮细胞的 C-Neural 评分较高，且高 C-Neural 评分的上皮细胞恶性程度高，常与施万细胞通过 FN1 信号通路通讯，施万细胞可能通过上调 VDAC1 促进癌症进展。此外，C-Neural 评分与免疫治疗反应相关，对免疫治疗有反应的患者该评分更高，且高 C-Neural 评分的黑色素瘤患者可能从曲美替尼治疗中获益。该研究为理解癌症神经科学机制提供依据，有助于更准确地进行患者分层和选择治疗方案，为癌症治疗策略的优化提供了新方向。

来源：健康与快乐并存