A blueprint for tumor-infiltrating B cells across human cancers
人类癌症中肿瘤浸润 B 细胞的蓝图
马家强 HTTPS://ORCID.ORG/0000-0002-7427-6638、吴英成 HTTPS://ORCID.ORG/0000-0001-9473-546X、[...] 和高强 HTTPS://ORCID .ORG/0000-0002-6695-9906 +23 位作者 作者信息和从属关系
Editor’s summary 编辑总结
B 细胞是产生抗体的白细胞,通常存在于肿瘤微环境中。马等人。检查了来自 270 多名患者的 21 种不同癌症类型的肿瘤浸润 B 细胞(参见 Tellier 和 Nutt 的观点)。作者汇编了单细胞转录组、B 细胞受体库和染色质可及性数据,并报告肿瘤相关 B 细胞通过滤泡外途径或更典型的生发中心途径分化为抗体分泌细胞。与含有生发中心 B 细胞的肿瘤相比,与滤泡外 B 细胞谱相关的肿瘤表现出较差的临床预后和对免疫治疗的抵抗力。谷氨酰胺衍生代谢物的可用性的改变已知会影响 T 细胞依赖性免疫抑制,可能与功能失调的体液反应和滤泡外 B 细胞对肿瘤的不利影响有关。 —普里西拉·N·凯利
Structured Abstract 结构化摘要
INTRODUCTION 介绍
肿瘤浸润 B 细胞已成为癌症免疫的重要参与者,并可作为免疫治疗反应的预测因子。这些 B 细胞显示出多种功能,主要是通过分化为浆细胞以产生抗体的能力,但在不同的癌症类型中存在时空差异。剖析不同癌症类型中 B 细胞的丰度和分化状态有望改善免疫治疗反应。
RATIONALE 基本原理
为了编制全面的泛癌 B 细胞图谱,我们对配对肿瘤、淋巴结转移、邻近正常组织和来自各种癌症类型患者的外周血进行了单细胞 RNA 测序 (scRNA-seq),并纳入了大量的发布的 scRNA-seq 数据集。校正批次效应后,该图谱包含来自 20 种癌症类型的 269 名患者的 scRNA-seq 数据。我们对单个 B 细胞的 B 细胞受体 (BCR) 测序与基因表达谱进行了组装,以表征 B 细胞和抗体分泌细胞 (ASC) 之间的动态转变。我们整合了来自不同癌症的 B 细胞的单细胞染色质可及性景观,以剖析在微调 B 细胞发育中发挥作用的表观基因组调控网络。我们对成熟与未成熟三级淋巴结构 (TLS) 中的 B 细胞进行空间定位,并研究了引导 B 细胞产生特定反应的潜在调节因子。
RESULTS 结果
我们揭示了 B 细胞和浆细胞内的显着异质性,识别出 15 个 B 细胞亚群和 10 个浆细胞亚群。我们通过计算推导出并验证了通过典型生发中心 (GC) 和替代滤泡外 (EF) 途径形成 ASC 的两条独立发育途径,并证明了明显的癌症类型偏好。结肠腺癌和肝癌是分别富集GC和EF途径的两种代表性癌症类型。我们确认,以 EF 为主的癌症与免疫反应失调和较差的临床结果相关。然后,我们确定了动态代谢表观遗传信号网络,该网络参与微调肿瘤浸润 B 细胞分化并管理 EF 和 GC 途径之间的平衡。非典型记忆 (AtM) B 细胞是 EF 衍生的 ASC 的主要祖细胞,表现出疲惫和旁观者表型,并且独立于 GC 途径而发育。我们发现 AtM B 细胞位于未成熟 TLS 的中心,并在 TLS 成熟期间在空间上重新定位到外围。最后,我们将这些发现与特定的转录因子和表观基因组调控机制联系起来。我们证明谷氨酰胺衍生的代谢物 α-酮戊二酸 (α-KG) 可以增加 AtM B 细胞相关转录因子 T-bet 和 BATF 的表达并促进其分化,同时激活哺乳动物靶标雷帕霉素复合物 1( mTORC1) 信号传导。因此,AtM B 细胞获得免疫调节功能,抑制抗肿瘤 T 细胞反应并营造免疫抑制微环境。
CONCLUSION 结论
我们编制了人类癌症中B细胞异质性和两条动态分化途径的蓝图,为未来研究ASC分化轨迹提供了基础参考。 EF 和 GC 通路之间的系统比较揭示了不同癌症类型中 B 细胞状态的相似性和差异,强调了与 EF 通路相关 AtM B 细胞的免疫抑制微环境相关的不利临床结果。代谢-表观遗传网络非常灵活,可以重新配置 B 细胞的命运,从而促进 B 细胞靶向免疫疗法的开发。
![](/cms/10.1126/science.adj4857/asset/0d79fd61-a79c-4341-bdbd-61ba619d2b73/assets/images/large/science.adj4857-fa.jpg)
人类泛癌 B 细胞图谱的系统分析。
我们使用单细胞测序数据分析了来自 269 名患者的 20 种癌症类型的 474,718 个 B 细胞。通过结合基因表达谱、BCR 序列和染色质可及性,我们研究了肿瘤浸润 B 细胞的多样性和可塑性,并对癌症类型之间的 EF 和 GC 反应性浆细胞进行了多水平比较。我们观察了它们在 TLS 成熟过程中的动态空间位置,并确定了调节 B 细胞分化的潜在代谢表观遗传机制。
Abstract 抽象的
B 淋巴细胞是体液免疫的重要介质,在人类癌症中发挥多种作用。为了解码肿瘤浸润 B 细胞的功能,我们生成了 B 细胞蓝图,其中包括 20 种不同癌症类型(477 个样本,269 名患者)的单细胞转录组、B 细胞受体库和染色质可及性数据。 B 细胞具有非凡的异质性,由 15 个亚群组成,可分为两个独立的发育路径(滤泡外与生发中心)。分为滤泡外途径的肿瘤类型与较差的临床结果和对免疫治疗的抵抗力有关。功能失调的滤泡外程序通过表观遗传代谢串扰与谷氨酰胺衍生的代谢物相关,从而促进了 T 细胞驱动的免疫抑制程序。这些数据表明肿瘤内 B 细胞在滤泡外和生发中心反应之间存在平衡,并表明体液免疫可能可用于 B 细胞靶向免疫治疗。
B 细胞是适应性免疫系统的重要组成部分,在体液免疫反应和抗体生成中发挥核心作用 (1)。在肿瘤微环境 (TME) 内,肿瘤浸润 B 细胞 (TIB) 显示出相当大的功能异质性,广泛涵盖幼稚 B 细胞、记忆 B 细胞 (Bm)、生发中心 (GC) B 细胞和抗体分泌细胞 [ASC、包括浆母细胞 (PB) 和浆细胞 (PC)],主要基于其免疫表型 (2, 3)。然而,当前的 B 细胞研究范式很大程度上是假设驱动的,可能无法公正地捕获肿瘤环境内 B 细胞状态的全谱。最近的报告特别关注产生针对肿瘤相关抗原的抗体、促进吞噬作用以及将抗原呈递给 CD8 + T 细胞的抗肿瘤能力,表明 B 细胞可用于下一代免疫疗法 (4 –6)。在空间上,这些细胞与三级淋巴结构 (TLS) 内的 T 细胞密集相互作用,这与多种癌症的生存率和热肿瘤环境的改善有关 (7-10)。然而,TIB 还通过释放细胞因子 (11, 12)、形成免疫复合物 (13, 14) 和参与免疫检查点 (15) 表现出促肿瘤特性。这些观察结果强调了 B 细胞的阴阳作用,并强调需要对人类癌症中的 B 细胞进行全面的数据驱动分析。
从历史上看,ASC 长期以来被认为源自 GC 反应。在这种情况下,B 细胞遇到抗原,经历体细胞超突变、类别转换重组 (CSR) 和克隆扩增,最终分化为长寿命 PC 并产生高亲和力抗体 (16, 17)。另外,最近发现的滤泡外 (EF) 分化强调了 ASC 的寿命较短,从而产生低亲和力和多反应性抗体 (18-23)。 EF 相关 B 细胞,也被记录为衰老小鼠、自身免疫性疾病和小鼠中的年龄相关 B 细胞 (ABC)、双阴性 B 细胞 (B DN ) 或非典型记忆 (AtM) B 细胞慢性感染模型的特征是 CD21 − CD11c + 和 T-box 转录因子 (T-bet) 的表达 (19,20,24)。我们和其他独立小组还报告了 Toll 样受体 7/9 (TLR7/9)、干扰素-γ (IFNγ)、白介素-21 (IL-21) 和 CD40 等信号在驱动 EF 相关 B 细胞发展中的作用。自身免疫性疾病中的细胞状态 (21,22,24)。这些数据提出了一个关键问题:B 细胞命运由什么组成以及如何在癌症生态系统中精确调控它们。因此,系统地解码癌症中 B 细胞的发育层次可能会描绘出肿瘤特异性模式以及克隆分支。
在这项研究中,我们编制了 20 种不同人类癌症的 TIB 图谱。我们系统地表征了 15 个 B 细胞亚群,并鉴定了以前未识别的 AtM B 细胞以及 TME 中 EF 途径的存在。我们的数据揭示了两种不同的 ASC 分化途径——GC 和 EF 途径——表现出癌症类型的偏好。我们表征了 AtM B 细胞与传统 GC B 细胞相比的独特表型、功能、TLS 定位和临床意义。特别是,肿瘤浸润的 AtM B 细胞(EF 衍生的 ASC 的祖细胞)表现出疲惫和旁观者表型,并且独立于 GC 发育。我们将这些发现与特定转录因子和表观基因组调控联系起来,并证明了代谢微环境的影响,其中谷氨酰胺在调节 AtM B 细胞分化和采用免疫调节功能中发挥着作用。我们的研究提供了前所未有的大规模 B 细胞转录组数据,作为研究 TIB 的宝贵资源,并有可能指导有效的 B 细胞导向的癌症免疫治疗策略。
Results 结果
A single B cell transcriptome blueprint across human cancers
跨人类癌症的单个 B 细胞转录组蓝图
B 细胞浸润在不同的人类癌症类型中差异很大 (1)。为了了解 B 细胞的整体浸润模式,我们根据六种现有的共识,评估了癌症基因组图谱 (TCGA) 泛癌症数据集(n = 31 种癌症类型的 8863 个肿瘤样本)中 B 细胞浸润的丰度。反卷积算法(图S1A)。我们选择了肿瘤内 B 细胞评分高和中等的癌症类型进行进一步采样。 CD19 + B 细胞从 15 种人类癌症类型的 66 名患者的 153 个样本中分选,涵盖匹配的肿瘤、淋巴结转移 (LN_Mets)、邻近正常组织和外周血,然后进行配对单细胞 RNA 测序(scRNA-seq) 和单细胞 B 细胞受体测序 (scBCR-seq)(图 1A 和图 S1B)。我们还整合了包含 TIB 的不同已发表数据集,使用 Harmony 算法校正批次效应 (25),并最终在来自 269 名捐赠者、20 种癌症类型的 477 个样本中建立了单细胞转录图谱。经过严格的质量控制,我们总共获得了474,718个单B细胞转录组,其中69.24%是本研究新生成的(图S1C和表S1)。对于 scBCR-seq,新产生了来自 150,949 个克隆型的总共 166,733 个细胞,涵盖 15 种癌症类型的 61 个供体,携带至少一对生产性重链和轻链,其中 12.76% 是克隆细胞(≥两个 B 细胞含有相同的重链和轻链) BCR 对),对应于 21,268 个扩展克隆型。总体而言,我们的单细胞图谱为 B 细胞研究创建了泛癌蓝图(可在 http://pancancer.cn/B/ 获取)。
![](/cms/10.1126/science.adj4857/asset/aa2b80e4-c628-4172-8aa5-f173cc4a0ba4/assets/images/large/science.adj4857-f1.jpg)
图 1. 不同人类癌症中 B 细胞的单细胞分析。
(A) 泛癌单细胞转录组、BCR 库和 B 细胞染色质可及性的示意图。 (B) 15 个 B 细胞亚群的均匀流形近似和投影 (UMAP) 可视化。 (C) B 细胞亚群中标记基因表达的点图。颜色代表标记基因的最大标准化平均表达,大小代表表达这些基因的细胞的百分比。 (D) 堆积条形图显示总 B 细胞内相应组织中的同种型分布。 (E) 热图显示每个组织中 B 细胞子集分布的优势比 (OR)。 OR值代表相应组织中的偏好分布。 (F) 不同组织中总 B 细胞的免疫球蛋白 H (IgH) 链超突变频率的箱线图。数据表示中位数和四分位数范围 (IQR),须线表示最小和最大测量值。 ****P < 0.0001。 P值通过双边Wilcoxon检验确定。
Transcriptional diversity of B cells
B 细胞的转录多样性
无监督聚类分析确定了 15 个不同的 B 细胞亚群,所有这些亚群在各种癌症类型中均可重复观察到,并表现出不同的组织和癌症类型偏好(图 1B;图 S1、D 和 E;以及表 S2)。其中,鉴定了代表不同B细胞成熟阶段的典型B细胞亚群,包括一种幼稚B细胞(TCL1A、FCER2和IGHD)、三种活化B细胞(ACB;CD69和CD83)、一种Bm(CRIP2和ITGB1)、三个 GC B 细胞 [LMO2 + 亮区 (LZ)、CXCR4 + 暗区 (DZ) 和 MKI67 + 循环] 和两个 ASC(包括TXNDC5 + PB 和 MZB1 + PC)(图 1C 和图 S1F)。
接下来,我们确定了之前基本上未表征的四个附加子集 (26-30)(图 S2A)。第一个是干扰素刺激的基因阳性幼稚 B 细胞亚群 (B_02),其高表达 IFIT3、IFI44L 和 ISG15,与损伤相关,并在粘膜愈合过程中扩增 (31)。第二个亚群是应激 B 细胞 (B_03),主要存在于热休克蛋白高表达的肿瘤中,经 37°C 胶原酶和 4°C 机械解离和多重免疫组织化学 (mIHC) 证实(图 S2、B 和 C) )。与应激的T细胞相比(32),应激的B细胞也位于TLS的中心,缺氧相关基因高表达,如HIF1A、NFE2L2、RELB、NFKB1和NFKB2(图S2D)。第三个亚群是GC前B细胞(B_10),与邻近的正常组织和血液相比,它们在LN_Met和肿瘤中高度富集,表达PSME2、NME1和ENO1。 GC前B细胞分别表现出与初始B细胞、GC B细胞和PB的转录相似性,表明它们的过渡阶段(图1C)。
我们确定的第四个亚群是以前未知的 AtM B 细胞亚群 (B_09),表达 DUSP4、ITGAX (CD11c)、FCRL5、ZEB2 和 FGR。先前记录为 ABC、CD27 − IgD − B DN 、FCRL4 + B 细胞或衰老小鼠中报道的耗尽 Bm 细胞,自身免疫性疾病、扁桃体和慢性感染分别(16、19、23、24),该子集现已被证明广泛存在于 TME 中(图 1C)。我们从自身免疫性疾病和乙型肝炎病毒(HBV)感染数据集中收集并分离了先前发表的 scRNA-seq AtM B 细胞(表 S1),并进行差异表达基因分析,表明肿瘤浸润的 AtM B 细胞高表达应激相关基因( FOSB 和 HSPA1A)、干扰素诱导基因(IFITM1 和 IFI30)和激活相关基因(CD83、NR4A1 和 CD69),而幼稚相关基因(TXNIP 和 IGHD)和代谢相关基因(MT-ATP6 和 NDUFB1) )在自身免疫性疾病和 HBV 感染中富集(图 S2、E 和 F,以及表 S2)。同样,肿瘤 AtM B 细胞富含炎症反应和缺氧途径,而血管生成和代谢途径在自身免疫性疾病和 HBV 感染的细胞中占主导地位(图 S2G)。这些数据强调,TME 中的 AtM B 细胞在功能上可能不同,尽管它们的表型与自身免疫性疾病和病毒感染的细胞一致。
对组织分布以及转录和谱特征的综合分析强调了来自不同组织来源的潜在肿瘤反应性 B 细胞。 TIBs比来自非肿瘤组织的B细胞含有更多的IGHG和IGHA,而血液中的B细胞富含IGHD和IGHM,这表明TIBs经历过抗原并经历了CSR(图1D)。通过比值比(OR)分析(33),HSP + B 细胞、EGR1 + ACB 和 PB 在肿瘤中表现出强烈的偏好; MT1X + B 细胞、循环 GC B 细胞、GC 前 B 细胞、GC LZ 、GC DZ 和 IFIT3 + B细胞中 LN_Met 显着富集; TCL1A + 幼稚 B 细胞和 DUSP4 + AtM B 细胞在血液中最高;和MZB1 + PCs在邻近正常组织中占主导地位(图1E)。同样,TIB 的 IGH 突变明显多于其他组织,GC B 细胞和两个 ASC 亚群表现出肿瘤特异性克隆扩张,表明它们具有强抗原驱动抗体亲和力的肿瘤反应性(图 1F 和图 S2H)。此外,ITGB1 + Bm 和 DUSP4 + AtM B 细胞在肿瘤、LN_Mets 和血液中显示出相当的富集,略高于邻近正常组织,这意味着组织间迁移的潜力。事实上,量化组织间迁移可能性的 STARTRAC 迁移 (pMigr) 指数 (34) 和说明不同组织之间共享的 BCR 克隆数量的 Jaccard 指数 (35) 表明,ITGB1 +
Heterogeneity of tumor-infiltrating antibody-secreting cells
肿瘤浸润抗体分泌细胞的异质性
ASC 是终末分化的 B 细胞,通过产生抗体来执行效应功能 (36)。与现有将 ASC 分类为同质子集 (14、28、37、38) 的数据相比,我们的高分辨率图谱显示肿瘤浸润的 ASC 在组织分布、癌症类型偏好、BCR 库和转录组谱方面表现出多方面的多样性。首先,根据香农公平性指数(39),ASCs的比例表现出很大的变异性,肿瘤浸润的ASCs的多样性高于邻近正常组织和血液中的ASCs(P < 0.01),而非ASCs的多样性则较低。 LN_Mets 中最高(图 S3A)。其次,我们观察到 BCR 克隆型的多样性更高,并且扩展的 BCR 克隆型数量也有所增加。然而,在肿瘤中观察到的克隆频率较低,这表明肿瘤中克隆大小的同质性高于其他组织,在其他组织中,少数扩展的克隆占主导地位(图S3B)。第三,癌症类型对 ASC 的频率有很大影响(图 S1D)。在两个 ASC 亚群中,肿瘤浸润的 MZB1 + PC 的中位频率为 TIB 的 12.52%,范围从结肠腺癌 (COAD) 中的高频率 (70.18%) 到胆管癌 (CHOL) 中几乎检测不到。 1.85%) 和胃腺癌 (STAD) (3.32%) [方差分析 (ANOVA), P < 2e −16 ](图 S3、C 和 D)。肿瘤浸润的 TXNDC5 + PB 的中位频率为 0.13%,但不同癌症类型之间仍然存在差异 (P = 1.1e −5 )。最后,ROGUE 分析 (40) 对已识别细胞类型的转录组纯度进行量化,进一步证实在 15 个 B 细胞亚群中,2 个 ASC 亚群表现出最高的基因表达异质性(图 S3E)。 ASC 区室的亚聚类(除去 TXNDC5 + PB)揭示了 10 个具有特定基因特征和组织分布的不同 PC 亚聚类(图 2,A 和 B;图 S3F;和表 S2)。其中,PC04.HSPA1A、PC05.NEAT1和PC08.IFI6在肿瘤中占优势,PC09.RGS13和PC10.SPINK2在邻近正常组织中积累,PC02.RGS13在LN_Met中普遍存在。同时,PC01.NME2和PC07.CD83在LN_Mets和血液中显示出相当的富集,PC03.DUSP5在LN_Mets和肿瘤中均匀分布,并且PC06.SLC3A2在肿瘤和邻近正常组织中相似分布(图2C)。这些发现可能有助于解释 PC 在患者预后中具有争议的作用 (5,41,42),这可能归因于不同 PC 亚群和癌症类型的变异性。总的来说,这些数据表明癌症起源对 ASC 的频率有相当大的影响,也意味着 ASC 的 B 细胞起源不同。
![](/cms/10.1126/science.adj4857/asset/667c4e12-f3fb-4b93-a1aa-022be3feac36/assets/images/large/science.adj4857-f2.jpg)
图 2. 人类癌症中浆细胞的两条发育途径。
(A) 10 个 PC 子集的 UMAP 可视化。 (B) 已识别的 PC 子集的标记基因表达的点图。颜色代表表达标记基因的细胞的最大标准化平均表达,大小代表表达这些基因的细胞的百分比。 (C) 热图显示每个组织中 PC 子集分布的 OR。 OR值代表相应组织中的偏好分布。 (D) 成对过渡指数 (pTrans) 显示非 ASC 和 ASC 之间的 BCR 重叠。与 ASC 高度相关的前两个子集被突出显示。 (E 和 F) 通过 FACS 分离来自 LIHC 患者的肿瘤浸润的幼稚 (Bn)、记忆 B (Bm) 和非典型记忆 (AtM) B 细胞,并用 R848、IL-2、IL-10、和 IL-21 11 天(供体数量 = 3 至 7)。通过FACS检测CD19 + B细胞中ASC的代表性流图(E)和频率(F)。数据用 IQR 表示中值,须线表示最小和最大测量值。 (G)(上)ASC 细胞和 AtM B 细胞之间以及(下)ASC 和 Bm 或 GC B 细胞之间共享克隆型的系统发育谱系树。体细胞突变的获得由分支上的数字表示,指示突变和分支的数量。假定的未突变共同祖先用白色圆圈表示。 (H) 热图显示根据不同癌症类型的 ASC 和其他 B 细胞亚群之间的 pTrans。颜色代表按行缩放的 z 分数 pTrans 值。 (I) 箱线图显示不同组织中 EF 和 GC 衍生的 ASC 的体细胞超突变 (SHM) 频率。数据用 IQR 表示中值,须线表示最小和最大测量值。 (J) 堆积柱形图显示不同组织中 EF 和 GC 衍生的 ASC 中 IGH 同种型的频率。 (K) 癌症中 EF 衍生(上)和 GC 衍生(下)ASC 的 CSR 频率。线的粗细表示两个 Ig 同种型之间共享克隆型的数量,点大小表示每个同种型的克隆扩展。 (L) UMAP 图显示 EF 和 GC 衍生的 ASC 的识别(左上)、CytoTRACE 的发育顺序(右上)、scTour 推断的分化状态(左下)以及 Monocle3 推断的分化状态(右下) 。 (M) 示意图显示 EF 与 GC 反应的分化路径。中间的表总结了TME中EF和GC的特点。对于 (F) 和 (I),*P < 0.05,**P < 0.01,****P < 0.0001。 P值通过双边Wilcoxon检验确定。
Both extrafollicular and germinal-center paths are hijacked by cancer
滤泡外和生发中心路径均被癌症劫持
尽管源自 GC (1, 17, 42) 或滤泡外 (EF) 反应的 B 细胞途径在自身免疫性疾病和慢性感染中常见 (21, 43, 44),但肿瘤生态系统有可能影响不同的 B 细胞进化轨迹尚未被彻底探索。因此,我们利用基因表达来推断ASC分化的轨迹,并观察到ASC主要来源于GC B细胞(图S3G),这与之前的研究一致(2, 45)。然而,鉴于ASC子集在PC标记高表达的基础上通过无监督聚类与其他子集显着区分,传统的基于转录组的轨迹分析可能无法准确反映真实的分化状态。为了解决这个问题,我们使用 BCR 克隆共享策略和无监督聚类,通过 STARTRAC [通过 RNA-seq 和 TCR(T 细胞受体)跟踪进行单 T 细胞分析] 成对转变指数 (pTrans) 来识别 ASC 的祖细胞 (34) 、Jaccard 指数 (35) 和体细胞超突变 (SHM),因为 BCR 库是追踪 ASC 谱系的可靠分子标签。我们发现 AtM 和 Bm 细胞是与 ASC 克隆共享的两种主要 B 细胞,这表明 ASC 可能起源于 TME 中的经典 GC 和替代 EF 途径(图 2D 和图 S3、H 和 I)。为了验证这一点,使用体外 B 细胞分化方法对来自肝细胞癌 (LIHC) 患者的肿瘤浸润的幼稚 B、Bm 和 AtM B 细胞进行分类和刺激 (24)。事实上,AtM B 细胞可以比初始 B 细胞更有效地分化为 ASC(P = 0.035),但比 Bm 细胞更弱(P = 0.0027)(图 2,E 和 F)。 除了 AtM 和 Bm 细胞外,我们还鉴定了前 GC、循环 GC 和与 PB 共享 BCR 的 GC LZ B 细胞,以及 IFIT3 + B、HSP + ACB 与 PC 共享 BCR,这通过 ASC 和这些子集之间共享克隆的系统发育谱系树进行了验证(图 2G 和图 S3,J 到 L)。
接下来,我们评估了这两种路径的流行率,并将与典型 Bm 共享 BCR 的 ASC(GC 衍生的 ASC 的 66%)、循环 GC(13%)、GC LZ (12%)和 GC 分类 DZ (7%) 为 GC 衍生的 ASC,而这些 ASC 与其他 B 细胞亚群重叠,包括 AtM(EF 衍生的 ASC 的 47%)、ACB (29%)、IFIT3 + B (6%)、GC 前 (5%) 和 MT1X + B (3%) 细胞,被分类为细胞水平上的 EF 衍生 ASC(图 S4A)。随后,我们根据已分类的 ASC 的基因表达谱,使用标签转移来获取更多 EF 和 GC 衍生的 ASC,然后验证标签转移的准确性(图 S4B)。通过定义 EF 衍生和 GC 衍生的 ASC,我们进一步计算 EF 指数并与 SHM 集成,将患者分为两个不同的组——在患者水平上以 EF 为主或以 GC 为主——并且这种分类得到了进一步验证和验证。通过 pTrans 分数进行细化(图 S4,C 至 E)。尽管有明显的患者和癌症类型偏好,但在个体患者和癌症中都可以观察到这两种路径,表明 GC 和 EF 反应都是 ASC 分化的通用路径(图 2H)。 COAD 和甲状腺癌 (THCA) 使用 GC DZ 、 GC LZ 和循环 GC B 细胞,而胆囊癌 (GBC)、STAD、肺癌 (LC) 和胸腺瘤 ( THYM) 使用 Bm 细胞作为 GC 途径的首选。 相反,AtM B 细胞主导的 EF 路径在 LIHC、胰腺腺癌 (PAAD)、宫颈鳞状细胞癌和宫颈内膜腺癌 (CESC) 以及头颈鳞状细胞癌 (HNSC) 中丰富,而前 GC、ACB、 IFIT3 + 主导的EF路径分别在肾细胞癌(RCC)、膀胱尿路上皮癌(BLCA)和胃肠道间质瘤(GIST)中大量存在(图2H和图S4F)。 AtM B 细胞的 pTrans 评分分别与卵巢癌 (OV) 和乳腺癌 (BRCA) 中循环 GC 和 Bm 细胞的 pTrans 评分相当,表明这两种途径在这些癌症中同等存在(图 S4G)。除了子集间 BCR 共享之外,GC 和 EF 途径的发育潜力还可以通过 ASC 中非 ASC 子集的表达特征来验证(图 S4H)。例如,PC01.NME2 表达前 GC 特征基因,包括 PSME2 和 ENO1,并且这些前 GC B 细胞与 BLCA 中的 TXNDC5 + PB 和 MZB1 + PC 共享 BCR和RCC。类似地,PC04.HSPA1A 表达 HSPA1A 和 HSPA1B,HSP + B 细胞倾向于与 BLCA 中的 MZB1 + PC 共享 BCR,表明向 ASC 的异质分化途径。总之,这些数据表明两种进化路径(GC 和 EF)被不同的癌症生态系统劫持。
接下来,我们探索了 BCR 库并匹配了这两种进化路径的转录特征。肿瘤中 EF 衍生的 ASC 的中位频率为 1.52% [0.35 至 4.37%(四分位距)],显着高于 GC 衍生的 ASC(0.45%;0.13 至 2.29%)(图 S5A)。相比之下,EF 衍生的 ASC 中基因表达和 BCR 克隆型的多样性降低(图 S5、B 和 C)。这些细胞的特点是寡克隆扩增,前五种克隆型占总库的 11.51%,而 GC 衍生的 ASC 中仅占 3.20%。事实上,GC 衍生的 ASC 表现出高度多样性和相对均质的克隆大小(图 S5C)。与先前在自身免疫性疾病中的发现一致 (43, 46),肿瘤中 EF 衍生的 ASC 表现出显着低于 GC 衍生 ASC 的 SHM(图 2I 和图 S5D)。同种型分析表明,相对于肿瘤中的IGHG1,EF衍生的ASC含有较高的干扰素诱导的免疫球蛋白G(IgG)同种型和CSR,并且IGHM富集度更高,并且在邻近正常组织和血液中没有出现CSR(图2J)。相比之下,在肿瘤、邻近正常组织和血液中,GC 衍生的 ASC 相对于 IGHA1 和 IGHA2 表现出显着更高的扩增和 CSR,这与肿瘤抗原特异性识别和抗肿瘤免疫相关 (47)(图 2K 和图 2K)。 S5E)。这些差异可能源于 EF 衍生的 ASC 和 GC 衍生的 ASC 之间的内在区别,EF 衍生的 ASC 高表达 IRF8、CD83 和 HLA-DR,表现出早期的免疫反应表型 (48),并丰富了缺氧和缺氧的途径。炎症反应。 相反,GC 衍生的 ASC 显示出更高的免疫球蛋白基因表达,并表现出更成熟的 PC 表型(这与它们在免疫反应后期的表现一致),并且富集了多种代谢途径,包括糖酵解、氧化磷酸化和脂肪代谢途径。 -酸代谢,突出了 CSR 和 GC 响应期间广泛的能量和生物合成需求(图 S5、F 和 G,以及表 S2)。为了比较 EF 和 GC 衍生的 ASC 的早期和晚期分化阶段,我们使用了三种方法来推断分化状态,包括 cytoTRACE (49)、scTour (50) 和 Monocle3 (51),并表明 EF 衍生的 ASC与 GC 衍生的 ASC 的终末分化相比,ASC 处于早期阶段,表明早期的 EF 反应和延迟的 GC 反应 (52)(图 2L 和图 S5H)。这些结果得到了进一步验证,因为 EF 衍生的 ASC 富含 PC07.CD83,并高表达 HLA-DR 和 FOXP1,这已被证明可以阻碍生发中心 (GC) 形成并抑制人 PC 分化 (53, 54)(图S5I)。此外,PC07.CD83 中 IGHM 同种型的富集进一步符合骨髓中早期免疫球蛋白 M (IgM) ASC 的特征 (48)(图 S5、J 和 K)。 GC 衍生的 ASC 富含 PC03.DUSP5、PC04.HSPA1A 和 PC10.SPINK2。与 COAD 相比,LIHC 浸润的 ASC 表现出显着更高的 EF 衍生 ASC 标记,例如 CD20、HLA-DR、CD37、CD74、CD83 和 IRF8(图 S5、L 和 M)。这些结果还通过对 ASC 中 IRF8 和 HLA-DR 的 mIHC 染色进行了验证,使用组织微阵列 (TMA) 涵盖 EF 为主的癌症(BLCA、CESC、GIST、LIHC、PAAD、RCC;n = 49)和 GC 为主的癌症(COAD、STAD 和 LC;n = 23)(图 S5N)。 IRF8 + ASC 的频率(EF 中中位数 = 13.67%,GC 中中位数 = 6.58%;P = 0.0315)和 HLA-DR + ASC(EF 中中位数 = 50%) ,GC 中的中位数 = 34.09%;P = 0.0066),与 GC 为主的癌症相比,CD79 + CD20 − ASC 在 EF 为主的癌症中显着更高(图 S5O)。总而言之,这些结果进一步支持了以下观点:EF 衍生的 ASC 的早期反应与 GC 衍生的 ASC 的延迟反应形成对比。
与 EF 衍生的 ASC 相比,GC 衍生的 ASC 在激活诱导的胞苷脱氨酶 (AID) WRC/GYW 和 WA/TW 热点中具有更频繁的突变 (55, 56)(图 S5、P 和 Q)。具体而言,AID 热点中 GC 衍生的 ASC 的突变频率对于 IGHA 为 6.05%(4.37 至 8.44%),对于 IGHM 为 4.61%(1.05 至 7.07%)。这些频率显着高于 EF 衍生的 ASC,IGHA 为 4.65%(2.63 至 6.95%)(P = 2.5e −12 ),IGHM 为 0%(0 至 2.93%)。 P < 2.2e −16 )。 GC 衍生的 ASC 在 IGHA2 和 IGHG2 的互补决定区 (CDR) 中显示出对替换突变的正选择,进一步支持了它们增加的 CSR(图 S5R)。相比之下,与 GC 衍生的 ASC 相比,EF 衍生的 ASC 中 IGHG4 增加,这与最近的一份报告一致,该报告显示 IgG4 相关的自身免疫性疾病具有丰富的 EF 反应 (57)。同样,比较肿瘤中 EF 和 GC 衍生的 ASC 之间的 IGHV 基因使用情况表明,GC 衍生的 ASC 过表达 IGHV1-8 和 IGHV1-24(图 S5S),其中 IGHV1-8 偏好与较高的 SHM 率相关 (58) ,表明它们具有很强的抗原特异性亲和力。 EF 衍生的 ASC 上调一组 IGHV 基因(IGHV3-15、IGHV3-23、IGHV3-33、IGHV3-49、IGHV4-34 和 IGHV4-59),并且这些 IGHV 基因的使用增加与COVID-19、病毒感染和自身免疫性疾病 (43, 46, 59, 60),意味着存在多反应性 BCR 全部。总之,我们的数据表明,不同的癌症生态系统劫持了两条进化路径(EF和GC),并揭示了EF和GC衍生的ASC之间BCR库和转录特征的差异,突出了它们在抗肿瘤反应中的独特作用(图2M)。
Regulatory elements epigenetically license extrafollicular and germinal-center balance
调控元件通过表观遗传学许可卵泡外和生发中心的平衡
转录调控对于决定和维持 B 细胞身份至关重要 (61-64),但肿瘤特异性调控网络和有助于 TIB 身份的分子驱动因素仍然不明确。为了应对这一挑战,我们应用配对的 scRNA-seq 和 scATAC-seq(ATAC,转座酶可及染色质测序分析)来表征 TIB 的表观基因组学,并获得了来自 5 种癌症类型(包括 GC)的 9 名患者的 53,428 个 TIB 的染色质可及性图谱通路主导型癌症(COAD、THCA、LC 和 STAD)和 EF 通路主导型癌症(LIHC),中位数为 11,853 个明显对齐的片段,ATAC-seq 峰内约 67.87% 的 Tn5 插入(图 3A 和图 S6,A 至 C)。通过整合 scATAC-seq 和 scRNA-seq 数据,我们观察到了八个类似的 B 细胞亚群,涵盖幼稚的、两个 ACB、Bm、AtM、GC(DZ 和 LZ)和 PC 亚群(图 3A 和表 S3)。因此,scRNA-seq 和 scATAC-seq 中注释的子集身份和子集特异性标记之间存在很强的一致性(图 3B 和图 S6D)。 B 细胞亚群特征基因(例如 TCL1A、RGS13、ITGAX 和 XBP1)的开放染色质可及性进一步证实了它们的细胞身份(图 3C 和图 S6E)。为了定义参与改变不同 B 细胞亚群染色质可及性的转录因子 (TF),我们鉴定了其染色质可及性活性与其基因表达显着正相关的 TF。此类分析生成了全谱富集的 TF,包括已知的 B 细胞谱系 TF,例如 PAX5、EBF1 和 SPIB (65)(图 S6、F 和 G)。通过结合 TF 的足迹和特征 (66),我们确定了 B 细胞亚群之间共享且独特的调控模式(图 3D)。 例如,调节性 TF 活性在相似的细胞状态之间具有共享模式,例如在幼稚、ACB 和 Bm 中活跃的那些(即 BCL11A、ELF2、SPIB 和 STAT6),或在 GC DZ 和 GC 中 LZ B 细胞(即 CTCFL、EBF1、HMGA1 和 POU2F1)(图 3D)。相反,广泛的 TF 在某些 B 细胞亚群中特异性富集(即幼稚 B 中的 ETS1;AtM 中的 TBX21 和 FOSL2;GC B 中的 POU2F1、MEF2B 和 BCL6;以及 IRF2/3/4/5/6/ 7/8、PRDM1 和 PC 中的 ZNF652)(图 3、D 和 E,以及图 S6H)。总体而言,我们的数据不仅公正地揭示了控制 B 细胞身份的已知和未表征的 TF,而且还为跨癌症的主要 B 细胞亚群提供了全面的基因调控网络资源。
![](/cms/10.1126/science.adj4857/asset/07e7fdfc-d1c8-4d33-8543-f8fb88e46147/assets/images/large/science.adj4857-f3.jpg)
图 3. 人类癌症中 EF 和 GC 反应的单细胞表观基因组图谱。
(A) scATAC-seq 注释的 B 细胞亚群(上)和癌症类型(下)的 UMAP 可视化。 (B) 由来自每个子集的所有标记基因的 scATAC-seq 确定的基因活性评分热图。颜色代表 z 分数尺度的基因表达。 (C) B 细胞亚群中指定特征基因位点的基因组可及性轨迹。 (D) SCENIC 的 TF 活性热图(左)和注释 B 细胞亚群的特定开放染色质区域(右)的 TF 基序富集。 (E) B 细胞亚群特定 TF 的 RNA 表达(顶部)和基序偏差评分(底部)的 UMAP 可视化。 (F) 计算 EF 显性和 GC 显性癌症衍生的 MZB1 + PC 之间差异表达的 TF 偏差评分 [log 2 倍数变化 (FC) >0.5,Benjamini-Hochberg调整后的P值<0.05,双面Wilcoxon检验]。在(红色)EF 主导型与(蓝色)GC 主导型癌症衍生的 MZB1 + PC 中,按 P 调整值对 TF 偏差评分进行排名。 (G) 在(左)GC 为主的癌症和(右)EF 为主的癌症中驱动 B 细胞从初始 B 细胞分化为 PC 的差异推定调节 TF 的示意图。
经过对 Bm、AtM 和 PC 的仔细检查,我们发现它们主要由来自特定 EF 和 GC 癌症类型的细胞组成,这促使我们研究 Bm、AtM 和 PC 染色质景观中潜在的癌症实体特异性差异。图3A)。因此,我们研究了来自 EF 和 GC 显性癌症的 B 细胞的谱系轨迹(图 S7,A 到 C)。我们确定了正 TF 调节因子的连续活性,包括 PAX5、BCL11A、POU2F2、EBF1、REL、TBX21、PRDM1、IRF4、RORA、RUNX2 和 XBP1,它们促进 B 细胞谱系规范、维持、CSR 和分化(62, 64、65、67)。随着 B 细胞分化,EF 主导型癌症和 GC 主导型癌症之间的这些活性有所不同。随后,我们评估了 TF 偏差评分,以确定 EF 和 GC 为主的癌症之间差异性的阳性 TF 调节因子。 EF 为主的癌症中的 Bm 和 AtM 富含 AP-1 因子,包括 FOS 和 JUN,这些因子参与 BCR 信号通路并意味着 B 细胞激活和分化 (68)(图 S7、D 和 E)。相比之下,GC 显性癌症中的 Bm 和 AtM 富含核因子 κB (NF-κb) 亚基,包括 REL、RELA 和 RELB,这与报道的它们在 GC B 细胞维持和稳态中的功能一致 (69)。与 GC 为主的癌症中表现出较高 RUNX1-3 偏差评分的 PC 相比,EF 为主的癌症中的 PC 显示出调节干扰素-β (IFN-β) 和炎症 TME 快速诱导的 TF 的高活性,包括 IRF1/3 /4/5/8 和 STAT2 (70) (图 3F)。 为了验证这一点,我们证实与其他 B 细胞相比,IRF4 和 RUNX2 在肿瘤浸润的 ASC 中富集,并且与 COAD 相关的 ASC 相比,IRF4 在 LIHC 相关的 ASC 中上调,而 RUNX2 显示相反的趋势。图 S7、F 和 G)。这些结果通过 TMA 的 ASC 中 IRF4 和 RUNX2 的 mIHC 染色得到证实,包括 EF 为主的癌症 (n = 49) 和 GC 为主的癌症 (n = 23)(图 S7H)。 CD79a + CD20 − ASC 中 IRF4 + 的频率(EF 中位数 = 55.09%,GC 中位数 = 50%;P = 0.0416)显着EF 为主的癌症高于 GC 为主的癌症,而 RUNX2 + ASC 的频率呈现相反的趋势(EF 中中位数 = 26.11%,GC 中中位数 = 56.89%;P < 0.0001)(图S7I)。总的来说,这些数据强调了一个动态表观遗传调控网络,该网络在癌症生态系统内微调 B 细胞分化和选择方面发挥作用,并强调了谱系 TF 在管理 EF 和 GC 途径之间的平衡方面的基本作用(图 3G)。
Extrafollicular AtM B cells harbor an exhaustion phenotype, developing independently of germinal centers
滤泡外 AtM B 细胞具有衰竭表型,独立于生发中心发育
认识到 AtM B 细胞作为 TME 中 EF 途径的主要祖细胞的关键作用,我们全面检查了它们的表型和功能。与之前在非肿瘤环境中定义的特征标记相比 (21,22,24),肿瘤浸润 AtM B 细胞还表现出 CD27、CD38、IRF8 和 SDC1 表达减少,以及 PRDM1、IRF4 和 XBP1 表达增加。与 Bm 细胞(GC 衍生的 ASC 的特征明确的祖细胞)进行比较 (1)。已知 XBP1 会抑制 B 细胞增殖并促进向 ASC 分化 (71),支持 AtM 向 ASC 的分化潜力(图 4A)。 AtM B 细胞表现出耗尽且常驻的记忆表型,与 Bm 的效应子表型不同。简而言之,AtM B 细胞上调免疫检查点(PDCD1、CD274、CTLA4、ENTPD1、LAG3 和 HAVCR2)、耗竭相关 TF(TOX、TOX2、ZBED2、BATF、RBPJ 和 VDR)(33, 72), Fc受体家族参与免疫球蛋白和免疫复合物结合(FCRL2/3/4/5和CD32A/B)(图4A)。其中,FCRL4 与组织驻留记忆细胞相关,可以抑制 BCR 信号传导 (16)。 CD32B 是一种突出的低亲和力抑制性受体,可抑制抗体依赖性细胞毒性 (ADCC)、抗体依赖性细胞吞噬作用 (ADCP) 和 B 细胞活化 (73)。与 TCR 信号过度激活的疲惫 T 细胞类似,AtM B 细胞也高度表达 BCR 信号 (SYK)、免疫调节和激活基因(TLR7/9、CD80、CD86 和 CD72)。这些独特的表型通过流式细胞术得到进一步证实(图4B和图S8A)。这些数据共同证明了滤泡外 AtM B 细胞独特的免疫表型和分子特征。
![](/cms/10.1126/science.adj4857/asset/706c0476-3baa-4887-a1dc-76f9cea5105b/assets/images/large/science.adj4857-f4.jpg)
图 4. AtM B 细胞在人类癌症中的不依赖 GC 的发育。
(A) 热图显示了 naïve、Bm 和 AtM B 细胞中代表性基因的相对表达。色标按行表示 z 分数标度的基因表达值,每列代表单个患者。 (B) 通过 FACS 检测来自 LIHC 患者的肿瘤浸润幼稚 B 细胞、Bm 和 AtM B 细胞的代表性标记物 (n = 3)。 (C) 热图显示 LIHC 患者的肿瘤浸润初始 B 细胞、Bm 和 AtM B 细胞上清液中检测到的自身抗原和肿瘤相关抗原特异性 IgA,体外刺激 11 天后 (n = 4)。 (D)(左)Monocle3 轨迹分析描绘了非 ASC 的发育轨迹,揭示了(右)两个主要的分歧轨迹(来自灰色骨架线:红色,路径 1;蓝色,路径 2)。 (右下)单元格根据其相应的伪时间进行颜色编码。 (E) 二维图显示沿着推断的伪时间分别在路径 1(红色)和路径 2(蓝色)的单元格中高亲和力、低亲和力、耗尽和 CSR 特征的动态表达分数。中心线表示线性拟合,阴影线表示 95% 置信区间。
为了进一步探索滤泡外 AtM B 细胞的免疫库,同种型分析表明,与 Bm 细胞相比,肿瘤浸润的 AtM B 细胞转换较少,且含有更高的 IGHD 和 IGHM (P < 0.01),而 IGHA1、IGHA2 和 IGHG2 普遍存在单位为 Bm (P < 0.01)(图 S8、B 和 C)。此外,体外活化和分化11天后收集的来自LIHC患者的肿瘤AtM B细胞上清液中的IgG、IgA和IgM含量低于Bm(图S8D)。同样,测试这些上清抗体反应性的抗原微阵列显示,对于所有三种类型,源自 AtM B 细胞的 ASC 产生更高水平的自身抗体,而源自 Bm 的 ASC 产生更高水平的肿瘤相关抗原反应性抗体(图 4C) :IgG、IgA 和 IgM(图 S8E)。与这些发现一致,我们观察到 Bm 中的 SHM 水平较高,但 AtM B 细胞中的 SHM 水平较低或中等(图 S8F)。总的来说,我们的数据表明,耗尽的 AtM B 细胞表现出抗体生产能力受损、旁观者激活和肿瘤反应性较弱。
另一个关键问题是 AtM B 细胞是否可以进入 GC 或源自真正的 GC B 细胞 (19, 74–76)。为了解决这个问题,我们共同分析了 BCR 库、发育轨迹、表观基因组调控和基因表达特征。我们观察到 AtM 和三个 GC B 细胞之间的 IGHV 使用、CDR3 氨基酸长度和 SHM 具有可比性。这些数据支持这样的观点:AtM 和 GC B 克隆通常是独立的而不是可互换的(图 S8、G 和 H)。因此,我们重建了 AtM 和 GC B 细胞最扩展克隆的谱系树,表明克隆谱系主要源自 AtM 或 GC B 细胞(图 S8I)。伪时间轨迹分析证实AtM和GC B细胞在两个独立的分支上完全分离,初始B细胞在起始处,AtM(路径1)加上循环GC B细胞(路径2)在末端分支(图4D)。沿着轨迹,高亲和力特征得分和 CD24、CD38 和 SELL 在路径 2 中逐渐上调,而低亲和力和耗竭相关特征得分相关基因(即 PDCD1、ENTPD1 和 HAVCR2)相应上调在路径 1 中,概括了 B 细胞从初始状态到激活状态,最后到 AtM 状态的发育(图 4E 和图 S8、J 和 K)。在这个过程中,疲惫的程度逐渐升级。这种发展轨迹在不同的癌症类型中得到了一致的观察(图S9A),并得到了scATAC-seq数据的证实(图S9B)。
我们进一步确定了 AtM 的动态表达、染色质活性和足迹。与 Bm 和 GC B 细胞相比,AtM B 细胞表现出参与 CSR 和耗尽表型的 TF 的高活性,并且增强了同种型特异性 IgG + Bm 的免疫功能 (33, 67, 77, 78) ,包括 TBX21 和 BATF(图 S9、C 和 D),表明不同的监管计划(图 3D)。 CSR相关的特征评分和基因(APEX1、APEX2、XRCC5、XRCC6、POLD2和AICDA)沿着轨迹逐渐上调,表明AtM B细胞可能在不经历GC反应的情况下经历CSR(图4E和图S8K) 。同样,在 EF 主导的癌症(包括 HNSC、OV、GIST、BRCA 和 CESC)中,AtM 与 IFIT3 + B 共享 BCR,这表明干扰素诱导的幼稚 B 细胞可以在不进入 GC 的情况下定向分化为 AtM (图 S9,E 至 G)。总的来说,这些发现表明 AtM 和 GC B 细胞经历了独立的发育过程,导致 EF 和 GC 衍生的 ASC。
Extrafollicular B cells spatially reside in immature tertiary lymphoid structures
滤泡外 B 细胞在空间上驻留在未成熟的三级淋巴结构中
TLS 通常由不同大小和细胞组成的 B 细胞形成。然而,TLS 和 TIB(特别是 AtM B 细胞)之间的空间结构和关系仍不清楚。我们发现 AtM B 细胞高度表达 TLS 特征 (7),并在泛癌 TCGA 数据中得到证实,表明它们在 TLS 中的潜在定位(图 S10、A 和 B)。因此,我们对含有 EF 为主的癌症 [LIHC (n = 358; n = 180) 和 PAAD (n = 48)] 和 GC 为主的癌症 [COAD (n = 98)、STAD (n = 52) 的 TMA 进行了 mIHC 染色和 LC (n = 90)] 来表征 TLS 和 AtM B 细胞(表 S1)。通过使用我们完善的 TLS 量化流程 (8),我们将肿瘤组织分为 TLS 和非 TLS 区域,并观察到 AtM B 细胞和 TLS 之间的显着相关性,表明 AtM B 细胞在 TLS 形成中的潜在作用(图 1)。 S10、C 和 D)。
鉴于 TLS 成熟的临床意义[成熟 TLS:含有滤泡树突状细胞 (fDC) 的 III 期和 IV 期 GC 样结构;不成熟的 TLS:I 期和 II 期淋巴聚集体]以及 TME 中 GC 样 TLS 的罕见性 (8, 79–82),我们进一步从 LIHC (n = 17) 和 COAD (n = 17) 中筛选具有不同 TLS 阶段的全组织切片= 6)。根据T细胞和B细胞的细胞数量以及fDC染色将TLS分为四个阶段(8)(图5A)。在 COAD 和 LIHC 中,AtM B 细胞在未成熟 TLS 中显着富集,而 Bm 主要位于成熟 TLS 中(图 5,B 和 C)。不同 TLS 阶段的 ASC 密度没有观察到差异(图 S10E)。正如预期的那样,AtM B 细胞主要富集在 EF 为主的癌症中,如 GIST、CESC、LIHC 和 HNSC,而 GC B 细胞在 GC 为主的癌症中高度丰富,如 COAD、THCA 和 LC(图 2)。 S10F),表明 GC 为主的癌症主要含有成熟的 TLS,而 EF 为主的癌症则主要含有未成熟的 TLS。与其他癌症相比,EF 和 GC 路径均等存在的癌症(例如 OV)显示 AtM 和 GC LZ B 细胞的中度浸润。在空间上,我们计算了 TLS 或滤泡内外边缘 200 μm 范围内 AtM B 细胞的密度以及 AtM B 细胞到界面的距离。我们观察到 AtM B 细胞主要位于未成熟 TLS 的中心,这与早期 EF 反应和 TLS 形成的促进一致(图 5、D 和 E,以及图 S10、G 和 H)。随着 TLS 的成熟,AtM B 细胞迁移到外围,而幼稚 B 细胞始终驻留在 TLS 的中心(图 S10C)。 这些数据验证了 AtM B 细胞的不依赖 GC 的发育,并且还表明 TLS 成熟阶段驱动 EF 和 GC 显性癌症中不同的 B 细胞分化。
![](/cms/10.1126/science.adj4857/asset/59e59cb5-ce26-43ee-bdf0-4cc58f025a57/assets/images/large/science.adj4857-f5.jpg)
图 5. AtM B 细胞在未成熟的 TLS 中聚集,并由 Tph 通过 IL-21–IL-21R 轴诱导。
(A) CD20、CD3 和 fDC [CD21(长亚型)、CD23 和 CD35] 的代表性 mIHC 染色,用于了解 B 细胞亚群的 TLS(第一行)、CD20、CD27、T-bet 和 CD79a 的成熟度( COAD 病例中的 AtM B 细胞(第三行)和 TLS 浸润带(第四行)。黄色、绿色、紫色、棕色、红色和青色箭头代表 fDC、CD3 + T 细胞、CD20 + B 细胞、CD20 + CD27 + Bm、CD20 + T-bet + AtM B 细胞和 CD20 − CD79a + ASC。 (B 和 C) mIHC 显示 COAD [(B),n = 6] 和 LIHC [(C),n = 17] 中未成熟和成熟 TLS 之间的 Bm 和 AtM B 细胞密度。 (D) COAD(顶部,n = 6)和 LIHC(底部,n = 17)中未成熟和成熟 TLS 的系列带内 AtM B 细胞的密度。虚线表示接口线。线图代表 IQR 的中位数。 (E) COAD(左,n = 6)和 LIHC 组织(右,n = 17)中 AtM 到未成熟和成熟 TLS 之间界面的中位距离。虚线表示接口线。 (F) 通过流式细胞术分析 LIHC 患者中肿瘤浸润的主要免疫亚群与 AtM B 细胞的相关性 (n = 46)。 PCC,皮尔逊相关系数。 (G) AtM B 细胞和 T 细胞之间配体-受体串扰上调。 y 轴代表子集,x 轴代表配体和受体名称。圆圈大小代表对数归一化 P 值,颜色深浅代表配体和受体的平均表达。 (H 和 I)来自 9 种癌症的 81 个空间转录组数据集中 AtM B 细胞特征与 TLS 或 PD1 Hi CD4 + Tph 之间的空间共置相关性 (H) 和代表性图像 (I)类型。相关性由 Spearman rho 计算。 数据来源和加入情况总结于表 S4 中。 (J) 代表性 mIHC 染色显示 LIHC 肿瘤组织中 PD1 Hi CD4 + Tph 和 AtM B 细胞并置。绿色、黄色、红色和青色箭头代表 PD1 Hi CD4 + Tph、CD20 + T-bet + AtM B 细胞、和 CD20CD138 + PC 分别。 (K)(左)TLS 和非 TLS 区域中 AtM B 细胞周围 20 μm 半径内 PD1 Hi CD4 + Tph 细胞的浸润密度和(右)频率来自 LIHC TMA 的肿瘤和邻近区域 (n = 180)。 (左和中)将肿瘤浸润的 T reg 、Th 和 PD1 Hi CD4 + Tph 细胞分选并与健康血液 B 细胞共培养,在存在或不存在同种型和抗IL-21R的情况下以1:5的比例进行7天。 AtM B 细胞的代表性流动图 (L) 和频率 (M) 通过 FACS 确定(n = 6 至 8)。数据表示 (B) 至 (D)、(E) 和 (K) 中的 IQR 中值,须线表示 (H) 和 (M) 中的最小和最大测量值。 **P < 0.01,***P < 0.001,****P < 0.0001; ns,没有意义。 P 值由 (B) 和 (C) 的两侧未配对 Wilcoxon 检验、(K) 的两侧配对 Wilcoxon 检验以及 (M) 的两侧配对 Student t 检验确定。
AtM B 细胞的这一特定位置与 CCR7、CXCR3 和 EBI2(编码 GPR183)等归巢受体的上调相呼应(图 4A),这可以驱动 AtM B 细胞进入 B 区-T 区等待 T 细胞帮助的边界 (52, 83)。事实上,AtM B 细胞与滤泡辅助性 T (Tfh) 或 1 型辅助性 T (Th1) 细胞(在病毒感染中分泌 IFNγ、IL-21 和 CD40L)之间存在很强的相关性 (76, 84),这表明了以下可能性:这些 T 细胞类型与 AtM B 细胞发育之间的串扰。流式细胞术和泛癌 TCGA 数据由 BayesPrism (85) 解卷积,BayesPrism 是一种贝叶斯统计模型,使用我们的配对 CD45 + scRNA-seq 数据作为参考来推断细胞类型组成,结果表明 AtM B 细胞与PD1 Hi 耗尽 T 细胞(图 5F 和图 S11,A 至 D),尤其是 PD1 Hi CD4 + T 细胞,表现出 PD1 Hi CXCL13 + CXCR5 − 表型(称为外周辅助 T 细胞,Tph)可促进自身免疫性疾病中 TLS 形成和 B 细胞终末分化 (86, 87)。配体受体分析提供了额外的证据支持 PD1 Hi CD4 + Tph 细胞和 AtM B 细胞之间的串扰,特别是通过 IL-21R–IL-21 轴。与 Bm 细胞。这种相互作用意味着 PD1 Hi CD4 + Tph 细胞在促进 AtM B 细胞分化中的潜在作用(图 5G 和图 S11E),这也得到了另一个独立算法的验证, CellChat (88)(图 S11F)。 通过已发布的空间转录组数据集可视化 CD4 + PD1 Hi Tph 和 AtM B 细胞 [来自九种癌症类型的 81 个数据集,包括 BRCA、CESC、COAD、LIHC、LGG、OV、前列腺腺癌(PRAD)、RCC 和皮肤黑色素瘤 (SKCM)] 显示它们在 TLS 中呈正相关(图 5、H 和 I 以及表 S4),LIHC TMA 上的 mIHC 染色进一步支持了这一点(n = 180) ),与肿瘤和邻近组织的非 TLS 区域相比,TLS 中靠近 AtM B 细胞的 CD4 + PD1 Hi Tph 细胞密度和频率显着更高(图 1)。 5、J 和 K)。为了验证这一点,对 LIHC 浸润的 PD1 Hi CD4 + Tph、Th 和调节性 T (T reg ) 细胞进行分选并与任一外周血共培养。来自健康捐赠者的总 B 细胞或分选的幼稚 B 细胞(图 5L 和图 S11G)。结果表明,Tph 细胞比 Th 和 T reg 细胞更有效地诱导 AtM B 细胞分化,并且 IL-21R 阻断显着减弱这种分化(图 5M 和图 S11H)。总之,这些数据表明肿瘤浸润的 Tph 细胞对 AtM B 细胞分化有显着贡献。
Glutamine metabolism establishes the epigenetic identity of extrafollicular AtM B cells
谷氨酰胺代谢建立了滤泡外 AtM B 细胞的表观遗传特性
接下来我们研究了哪些因素在机制上驱动 TME 中对 EF 与 GC 路径的主要响应。 B 细胞的通路分析揭示了不同人类癌症类型的代谢通路存在很大差异,表明 B 细胞身份的潜在代谢调节(图 S12A)。我们使用 scMetabolism (89) 和代谢相关基因的无监督聚类计算了 Bm 和 AtM B 细胞的代谢途径评分(图 6A)。肿瘤浸润的 AtM B 细胞中谷氨酰胺、谷氨酸和鞘脂代谢上调,而 Bm 细胞中花生四烯酸代谢显着上调。这些途径中的核心基因,例如谷氨酰胺酶(GLS)、GLA和PTGES3,表现出相似的趋势(图S12B)。结果是在没有癌症类型偏好的个体癌症类型中观察到的(图S12C)。鉴于谷氨酰胺在 TME 中的重要作用和大量丰度 (90-92),我们在队列中研究了谷氨酰胺与 B 细胞免疫表型之间的关联。通过基于质谱的非靶向代谢组学,我们的数据表明,EF 反应为主的癌症(LIHC、CESC 和 RCC)的谷氨酰胺含量显着高于 GC 为主的癌症(STAD 和 LC)(图 S12D)。此外,LIHC 中肿瘤中的谷氨酰胺显着高于邻近正常组织 (n = 109)(图 S12E),而 COAD 和 STAD 这两种 GC 为主的癌症的谷氨酰胺水平低于邻近正常组织 (93)。因此,我们假设谷氨酰胺代谢可能在 TME 中启动 EF 反应中具有潜在作用。
![](/cms/10.1126/science.adj4857/asset/61c4204d-bc21-4e14-a2cb-7bf4a7f1239a/assets/images/large/science.adj4857-f6.jpg)
图 6. 谷氨酰胺促进 AtM B 细胞分化以获得免疫调节功能。
(A) 不同组织中 Bm 和 AtM B 细胞的中值代谢途径评分(左)和平均代谢基因表达的热图(右)。点图的圆圈大小和颜色都代表缩放后的代谢评分(左)。热图的颜色代表平均代谢基因表达(右)。 (B 和 C) 单独用 R848 或在 IFNγ 或谷氨酰胺或谷氨酰胺和 CB839 存在下用 R848 刺激健康血液 B 细胞 4 天。 (B) 通过 FACS 检测 AtM(顶部)和 Bm(底部)细胞的代表性流图。 (C)(左)FACS检测CD20 + B细胞中Bm和AtM的频率以及(右)Bm或AtM B细胞中三甲基组蛋白H3(K27)的频率( n = 6 至 10)。 (D) 在添加寡霉素、FCCP 的情况下,在存在和不存在谷氨酰胺的情况下,用磷酸盐缓冲盐水 (PBS)(对照)或 R848 刺激 24 小时,健康血液 B 细胞的实时耗氧率 (OCR) ,和鱼藤酮+抗霉素 A (Rot/AA) (n = 4)。该图为平均值±标准差。 (E) 用 R848 刺激 24 小时的健康血液 B 细胞中 13 C 标记的谷氨酰胺的代谢追踪分析 (n = 4)。 MS 检测到 R848 和谷氨酰胺刺激的 B 细胞中指示的标记代谢物。 (F) 单独用 R848 或在 IFNγ 或谷氨酰胺存在下用 R848 刺激健康血液 B 细胞;或谷氨酰胺和CB839;或谷氨酰胺、CB839和DMαKG;或 DMαKG 4 天。通过FACS检测CD20 + B细胞中AtM的频率(n=3至5)。 (G) 染色质可及性热图显示健康血液 B 细胞用 DPBS 或单独的 R848 或 R848 和谷氨酰胺刺激 4 天 (n = 3)。颜色代表我们的 scATAC-seq 数据集中识别出的 AtM 同一峰的强度。 (H) 在谷氨酰胺处理的健康血液 B 细胞存在下,单独 R848 或与 R848 一起进行 4 天的途径富集分析的热图 (n = 3)。颜色代表缩放的通路富集分数。 (I 和 J) 代表性流程图 (I) 和箱线图 (J) 显示来自 LIHC 患者(n = 7 至 9)的肿瘤浸润的幼稚 Bm、Bm 和 AtM B 细胞中与 mTOR 信号传导相关的磷酸化蛋白。 (K 和 L) 单独用 R848 或在谷氨酰胺或谷氨酰胺和雷帕霉素存在下用 R848 刺激健康血液 B 细胞 4 天。 (K) 显示来自 FMO(荧光减一)(上)和实验组(下)的代表性流图,(L) 显示由 FACS 测定的 CD20 + B 细胞中 AtM 的频率(n = 12)。 (M) 单独使用 R848 或在谷氨酰胺存在下使用 R848 刺激健康血液 B 细胞 4 天。收集受刺激的 B 细胞,并在 CD3/CD28 珠存在的情况下与 CFSE 标记的健康血 T 细胞以 2:1 的比例共培养 3 天。通过流式细胞术测定增殖的 CD4 + 和 CD8 + T 细胞的频率 (n = 12)。 (N) 单独使用 R848 或在谷氨酰胺存在下使用 R848 刺激健康血液 B 细胞 4 天。收集受刺激的 B 细胞,并在 CD3/CD28 珠存在的情况下与健康血液 T 细胞以 2:1 的比例共培养 5 天。流式细胞术测定细胞毒性CD4 + 和CD8 + T细胞的频率以及CD4 + T细胞中T regs 的频率细胞计数(n = 13)。 (O) 根据 COAD(n = 98,上)和 LIHC(n = 358,下)患者的 CD20 + B 细胞中 Bm 和 AtM B 细胞的频率绘制的总体生存 Kaplan-Meier 图。 (P) 接受抗 PD1 治疗的 SKCM 患者 (98) 的缓解率(左)和总生存率(右),根据 Bm 和 AtM B 细胞特征评分进行分层 (n = 26)。 CR,完整响应; PR,部分反应; PD,进行性疾病; SD,疾病稳定。 (Q) 接受抗 PD1 治疗的 LC 患者 (99) 无进展生存的 Kaplan-Meier 图,根据 Bm 和 AtM B 细胞特征评分进行分层 (n = 26)。数据用(C)和(M)中的IQR表示中位数;晶须表示 (J)、(L) 和 (N) 中的最小和最大测量值。 *P < 0.05,**P < 0.01,***P < 0.001,****P < 0.0001; ns,没有意义。 (C)、(D) 和 (F) 的 P 值通过两侧 Wilcoxon 检验确定; (D) 和 (N) 的曼-惠特尼检验; (L) 至 (N) 的两侧配对学生 t 检验; (O)(右)、(P) 和 (Q) 的双边对数秩检验,以及 (P)(左)的 χ 2 检验。
为了验证这一假设,我们从健康血液中收集了 B 细胞,并用 R848(一种 TLR7 激动剂)、IFNγ 和谷氨酰胺刺激它们。与 IFNγ 在自身免疫性疾病中的作用类似 (21, 22),与单独使用 R848 相比,谷氨酰胺显着诱导 AtM 分化,而 GLS 抑制 (CB839) 显着减弱 AtM 分化(图 6、B 和 C)。作为对照,Bm 细胞对 IFNγ 和谷氨酰胺刺激的反应显着减少,表明谷氨酰胺对 AtM 和 Bm 细胞的相反调节机制。此外,AtM 逐渐增加,并在体外谷氨酰胺刺激后第 4 天左右达到峰值,呈剂量依赖性,在生理浓度的 10 倍左右达到最大值(图 S12F)。我们监测了谷氨酰胺刺激下 B 细胞的耗氧率和三磷酸腺苷 (ATP) 产量,并观察到线粒体呼吸和糖酵解的整体减少(图 6D)。这表明谷氨酰胺可能重塑 B 细胞的代谢特征,使我们推测谷氨酰胺会抑制 B 细胞的克隆扩增或正选择,从而使 B 细胞分化为 AtM B 细胞 (94)。
然后,我们分析了 R848 和谷氨酰胺刺激后外周 B 细胞的细胞内代谢物,发现与单独 R848 刺激相比,谷氨酸、α-酮戊二酸 (α-KG) 水平增加,并且谷氨酰胺与谷氨酸的比率较高(图 S12G) 。 CB839 治疗抑制了这种趋势,表明 GLS 在 B 细胞谷氨酰胺分解中起着重要作用。 13 C标记的谷氨酰胺在R848处理后的代谢命运证实,谷氨酰胺被催化成谷氨酸(M5标记),并通过α-KG(M5标记)、琥珀酸(M5标记)进入三羧酸(TCA)循环。 M4标记)、富马酸(M4标记)、丙酮酸(M3标记)和乳酸(M3标记),这与报道的谷氨酰胺分解途径一致(95)(图6E)。鉴于谷氨酰胺衍生的 α-KG 可以调节 Th1 细胞中的 T-bet 表达 (90, 91),我们接下来通过补充细胞渗透性 α-KG 类似物二甲基-αKG 来询问 α-KG 是否对 AtM 分化也至关重要(DMαKG)。事实上,当补充 DMαKG 时,GLS 抑制细胞中的 AtM 分化得到恢复,与谷氨酰胺的直接刺激相当。此外,直接补充R848的DMαKG诱导了类似水平的AtM分化,表明谷氨酰胺衍生的α-KG可以直接调节AtM分化(图6F)。
考虑到 α-KG 对组蛋白甲基化和染色质可及性重塑的影响 (91, 96),我们接下来质疑其在建立滤泡外 AtM B 细胞表观遗传身份中的作用。我们发现谷氨酰胺刺激导致H3K27三甲基化增加,而CB839对H3K27本身没有影响(图6C)。进一步的 ATAC-seq 和 RNA-seq 显示,谷氨酰胺处理的 B 细胞表现出 AtM 身份峰的强烈激活(图 6G),表明它们获得了滤泡外身份。一致地,我们还观察到 AtM 细胞分化的丰富 TF 基序,包括 TBX21 和 BATF(图 S12H)。我们进一步使用谷氨酰胺刺激 T-bet 过表达的 B 细胞,并观察到过表达组中 AtM B 细胞与对照组相比显着增加,这为谷氨酰胺通过调节 TBX21 诱导 AtM 分化的观点提供了额外的支持(图S12、I 和 J)。通路富集分析再次证明EF相关的PI3K-AKT-mTORC1和异生物质代谢通路被激活,这与我们的scRNA-seq数据(mTORC1,雷帕霉素复合物1的哺乳动物靶标)一致(图6H)。 mTORC1 通路的几个调节因子在谷氨酰胺刺激下也增加,包括 PIK3IP1 和 AKT1(图 S12K)。磷酸化 mTORC1 及其下游靶标磷酸化 S6 和磷酸化 AKT 的水平在肿瘤浸润的 AtM B 细胞中显示出比 Bm 和幼稚 B 细胞更大的增加,表明 mTORC1 信号传导可能参与谷氨酰胺调节(图 6) ,I 和 J)。雷帕霉素对 mTORC1 通路的进一步抑制显着降低了谷氨酰胺刺激下的 AtM 分化(图 6,K 和 L)。 相反,与谷氨酰胺处理的 B 细胞相比,R848 处理的 B 细胞富含氧化磷酸化和脂肪酸代谢途径,并且显示出 CSR 家族基因的高表达,证实了上述假设(图 S12L)。总的来说,这些结果表明谷氨酰胺代谢建立了滤泡外 AtM B 细胞的表观遗传特性。
Extrafollicular B cells foster an immunoregulatory niche and link with poor prognosis of human cancers
滤泡外 B 细胞培育免疫调节生态位并与人类癌症的不良预后相关
鉴于滤泡外AtM B细胞和TLS内T细胞的空间共定位,我们探索了AtM B细胞对T细胞的潜在影响(图5A)。刺激后,分选的 LIHC 浸润的 AtM B 细胞比非 AtM B 细胞分泌更多的 IL-10 和转化生长因子-β (TGFβ),并表达更高的 PDL-1,这通过谷氨酰胺诱导的 B 细胞得到验证:与对照相比(图 S13,A 至 C)。接下来,我们用谷氨酰胺诱导外周 B 细胞进入 AtM,并在体外与外周 CD3 + T 细胞共培养。 AtM B 细胞可以减少 CD4 + 和 CD8 + T 细胞的增殖(图 6M 和图 S13、D 和 E),并损害 T 细胞产生的能力IFNγ、肿瘤坏死因子-α (TNFα) 和颗粒酶 B(图 6N 和图 S13、F 和 G)。 AtM B 细胞促进向 T regs 分化并耗尽 T 细胞(图 S13H),这与之前的研究类似,表明 CD27 − 耗尽了 B 细胞和未成熟 TLS 内的 B 细胞与 T regs 相关并共定位 (41, 97)。
最后,我们探讨了 Bm 和 AtM B 细胞在癌症中的预后价值。 Bm 细胞与良好的预后相关,而 AtM B 细胞与 mIHC 的四个独立队列(COAD、STAD、LC 和 LIHC)中较差的生存相关,无论是 EF 或 GC 为主的癌症(图 6O 和图 S13I) )。此外,在已发表的接受抗 PD1 治疗的黑色素瘤 (n = 26) (98) 和肺癌 (n = 21) (99) 队列中,AtM B 细胞的丰度与治疗耐药性显着相关,而 Bm 细胞与改善的治疗耐药性相关。反应和更长的生存期(图 6,P 和 Q)。总的来说,这些观察结果表明,EF 衍生的 B 细胞与不成熟的 TLS 和耗尽的 T 细胞有关,导致某些癌症的免疫治疗耐药性和预后不良。
Discussion 讨论
肿瘤浸润 T 细胞和 B 细胞是 TME 中必不可少的协同成分。最近的研究强调了阐明各种癌症类型中 T 细胞状态和组成的重要性,揭示了对应激和肿瘤反应性的反应具有显着的可塑性 (32, 33);然而,TIB 的转录异质性被低估了,这使得它们在不同癌症类型中的作用存在争议。在这项研究中,我们通过破译其转录组学、表观基因组学和 BCR 库,以多方面的方式系统地绘制了泛癌 B 细胞的图谱。引人注目的是,应激 B 细胞的存在得到验证,它与最近发现的泛癌应激 T 细胞 (32) 有相似之处,最初被认为是一种伪影 (100),这突显了泛癌规模系统分析的重要性。我们的研究揭示了不同的 ASC 分化途径以及这些途径的癌症类型偏好。这种偏好可归因于 TLS 和代谢因素的成熟。
TIB 的发育轨迹集中在典型的 GC 途径,其中 Bm 或 GC B 细胞充当 ASC 的祖细胞 (17, 101, 102)。由于缺乏配对 BCR 库分析,替代 EF 途径在很大程度上被忽视。矛盾的是,GC 响应需要具有成熟 GC 结构的 TLS,而这些在 TME 中大多不存在或很少发现 (10, 79, 80, 103, 104)。相反,大多数癌症缺乏 TLS 或形成不成熟的 TLS,导致 B 细胞分化不完全并转向 EF 反应 (79,103,105)。在我们的队列中,我们发现超过一半的患者 (61.22%) 以 EF 反应为主。以 EF 为主的癌症,如 LIHC 和 CHOL,以不成熟的 TLS 为主,而以 GC 为主的癌症,如 COAD、LC 和 STAD,则含有更成熟的、类似 GC 的 TLS (79–81, 106)。这些结果表明,不同的 TME 对 TLS 的形成有不同的影响,进而可能影响 EF 和 GC 衍生的 ASC 的分化。类似的模式在慢性感染和自身免疫性疾病中得到了充分记录,其中不成熟的 TLS 和 EF 反应占主导地位 (107)。与具有高亲和力、肿瘤特异性抗体产生的 GC 衍生的 ASC 相比 (28, 108),EF 衍生的 ASC 显示出较低水平的 CSR、SHM 和抗原选择压力,与初始、活化和 AtM B 细胞高度重叠,并且优先识别自身抗原,类似于自身免疫性疾病和 COVID-19 (43, 109)。这可以解释与 EF 反应(不成熟 TLS)相比,GC 反应(成熟 TLS)具有更大的临床益处(41,81,104,110)。 与我们在初治患者中发现的情况相反,最近的研究发现,不成熟、GC 缺陷的 TLS 也与化疗后良好的临床结果相关。这表明化疗可能重塑 TME 并促进化疗诱导的肿瘤抗原识别和 B 细胞呈递,从而带来更好的预后 (111)。
AtM B 细胞已在自身免疫性疾病和慢性感染模型中得到描述,表明该亚群在慢性 B 细胞激活后会扩展 (19,24,43)。与 T 细胞耗竭类似,肿瘤 AtM B 细胞表现出耗竭表型,这与之前报道的肿瘤中 CD27 − Bm 细胞一致 (41, 112)。与 SHM 和 CSR 可以在 GC 进入之前和不进入 GC 之前发生的现有知识一致 (16, 113),我们验证了肿瘤 AtM B 细胞可能起源于不同的终末分化路径,并且在 GC 响应之前准备好进行 SHM 和 CSR,从而证实他们的GC独立性。 AtM B 细胞主要富集并位于未成熟 TLS 的中心,但被映射到成熟 TLS 的边缘区域 (7)。这些数据表明 AtM B 细胞可能会受到肿瘤相关自身抗原的持续刺激,从而产生自身反应性抗体 (10, 24)。在空间上,AtM B 细胞与 PD1 Hi CXCL13 + Tph 细胞而不是 Tfh 细胞相互作用,并以 IL21-IL21R 依赖性方式诱导,这与之前在小鼠中的报告相矛盾(76 )。相反,肿瘤 AtM B 细胞可诱导免疫耗竭和抑制性微环境,从而与较差的预后和对免疫治疗的抵抗相关。因此,针对 AtM B 细胞并保留保护性 GC 功能,而不是简单地删除所有 B 细胞,可能会产生最佳的临床效益 (14)。
代谢-表观遗传网络非常灵活,可以重新配置 B 细胞的命运决定 (114)。代谢物通过充当催化这些修饰的酶的底物或辅因子,直接影响表观遗传修饰,例如 DNA 和组蛋白甲基化 (115)。 B 细胞在分化过程中也会经历代谢重编程,这可能会受到作为表观遗传酶的辅因子或底物的代谢物的可用性的影响,从而影响 B 细胞的命运决定 (116)。与这种功能可塑性一致,肿瘤 AtM B 细胞分化需要谷氨酰胺分解代谢为 α-KG,从而补充 TCA 循环的代谢中间体,并显着增强 AtM 特异性调节元件,如 TBX21 和 BATF。这强调了 AtM B 细胞具有独特的代谢状态,需要强大的合成代谢支持,这种机制也在 Th1 极化和自身免疫性疾病中观察到 (90,91,117)。因此,特异性靶向 B 细胞谷氨酰胺代谢可能导致从 EF 反应转变为 GC 反应,从而产生持久的抗肿瘤活性并微调 TME 平衡。
我们的人类癌症 B 细胞蓝图是癌症研究界的综合资源,它定义了 TIB 细胞的分子标志和转录特征。旁观者滤泡外 AtM B 细胞的发现表明了一种劫持癌症免疫抑制生态系统的普遍机制。我们的工作不仅弥补了表观遗传-代谢串扰在形成适应性免疫反应方面的差距,而且还开辟了治疗途径,例如 B 细胞靶向免疫疗法。
Methods summary 方法总结
scRNA-seq and scBCR-seq scRNA-seq 和 scBCR-seq
B 细胞的 scRNA-seq 数据是从之前发布的数据集和新生成的数据中获得的。对于新生成的 scRNA-seq 数据,配对癌症、邻近正常、LN_Met 和血液样本是从在复旦大学附属中山医院接受手术切除的患者中收集的,并获得了机构审查委员会批准的方案的书面同意和批准。根据制造商的说明,使用 GentleMACS (Miltenyi Biotec) 使用肿瘤解离试剂盒或胶原酶 IV 消化匹配的癌症、邻近正常组织和 LN_Met 组织。 CD19 + B 细胞从单核细胞 (MNC) 和外周血单核细胞 (PBMC) 中分离,并通过 FACSAria II (BD Biosciences) 分选。此外,还从细胞充足的样品中分离出CD45 + 活细胞。根据制造商的说明,使用 10x Chromium Single-Cell 5' 和 V(D)J 文库构建(10x Genomics,美国)对分选的细胞进行测序。我们应用 CellRanger V7 进行读取比对和基因计数矩阵生成以及 BCR 序列组装。使用 DoubletFinder (v2.0.3) 识别并删除潜在的双联体。
为了整合不同的数据集,我们应用 SCTransform 函数来识别每个数据集中高度可变的基因。然后,我们根据频率选择前 2000 个基因作为集成数据集的高度可变基因。所有列入黑名单的基因(免疫球蛋白、TCR基因、核糖体蛋白编码基因和组织解离操作诱导基因)均被明确排除。 Harmony (v0.1.0) 用于数据集集成,矩阵用于通过默认 Seurat 管道进行聚类。使用Seurat的FindAllMarker函数计算标记基因(表S2)。 Change-O 库克隆分配工具包应用于定义的克隆、SHM、BCR 克隆多样性和丰度。配对的 scBCR-seq 数据与基于匹配细胞条形码的 scRNA-seq 数据进行整合。 BCR 谱系追踪和重叠是通过 Jaccard 指数和 STARTRAC 软件包 (v0.1.0) 计算的。
EF 和 GC 衍生的 ASC 根据 BCR 序列和基因表达的重叠进行分类。我们将与典型 Bm 和 GC B 细胞共享 BCR 的 ASC 归类为 GC 衍生的 ASC,而在细胞水平上将与其他 B 细胞亚群重叠的 ASC 归类为 EF 衍生的 ASC。对于没有克隆共享的 ASC,我们通过 Seurat 包中的 TransferData 函数利用基于已分类 ASC 基因表达的标签转移。仅保留预测分数大于 0.6 的分类细胞进行进一步分析。在患者层面,根据 SHM 和 EF 通路指数(EF 衍生的 ASC 的比率)进行 k 均值聚类,将患者分为两个不同的组。 STARTRAC 软件包计算的 pTrans 评分也用于进一步验证分类。我们通过使用细胞级别和患者级别的分类进行进一步分析,确保对符合标准的患者进行一致的分类。使用 muscat 软件包 (v1.16.0) 在患者水平上进行差异基因表达分析。
为了模拟 PC 和非 ASC 的状态转换,我们应用了多种方法,包括 scTour (v0.1.3)、Monocle3 (v1.0.0) 和 CytoTRACE (v0.3.3) 来分别推断 PC 和非 ASC 的伪时间。 ASC 子集。我们使用 SCENIC 来预测和验证 TF 监管网络。 CellPhoneDB 和 CellChat 用于识别 B 细胞和其他免疫细胞之间潜在的受体和配体相互作用。为了进行交叉研究比较,我们使用数据集和单元格注释作为参考,并使用 CellTypist 包训练逻辑回归 (LR) 模型。 BayesPrism 计算方法用于评估来自 TCGA 的大量转录组数据的细胞类型丰度。
scATAC-seq scATAC序列
根据制造商的说明制备分选的 CD19 + B 细胞的细胞核悬浮液。使用 10x Genomics 微流体平台进一步生成具有特定 10x 条形码的单核 GEM。使用 10x Genomics cellranger-atac 计数管道 (v.1.2.0) 处理原始 scATAC-seq 数据集,并由 ArchR (v.1.0.2) 进行下游分析。分别使用 ArchR (v.1.0.2) 的“addDoubletScores”和“filterDoublets”函数来识别和排除 Doublet。使用 Harmony (v0.1.0) 进行样本批次校正。使用“addClusters”和“addUMAP”函数对 Harmony 校正数据进行细胞聚类,并应用“getMarkerFeatures”来识别每个簇的标记基因分数(表 S3)。使用“addGeneIntegrationMatrix”功能将 scRNA-seq 基因表达和元数据进一步与 scATAC 数据整合。
聚类和细胞识别后,MACS2 使用“addReproduciblePeakSet”功能调用细胞类型特异性峰。使用“addBgdPeaks”生成背景峰集,并用于 TF 基序富集分析。使用“addCoAccessibility”和“addPeak2GeneLinks”函数计算峰共可访问性和 Peak2Gene 连接。使用 cisbp 基序集通过“addDeviationsMatrix”计算单细胞中不同 TF 基序序列处染色质可及性的富集。使用“getMarkerFeatures”函数进行差异峰测试,并使用“peakAnnoEnrichment”函数进行差异峰中的TF基序富集。使用“getFootprints”函数进行 TF 足迹分析。
Flow cytometry 流式细胞术
MNC 或 PBMC 常规用 FVS780 染色以滤除死细胞。对于表面表型染色,细胞用 MACS 缓冲液中的抗体在室温下染色 15 分钟。对于细胞内染色,使用固定和透化试剂盒在 4°C 下固定和透化细胞 1 小时。然后细胞内抗体在透化缓冲液中在 4°C 下染色 30 分钟。使用 LSRFortessa 流式细胞仪(BD Biosciences)采集数据并使用 FlowJo 软件(v10.8.1,BD Biosciences)进行分析。
In vitro cell culture 体外细胞培养
用总计 1μg/ml 人 R848、10 ng/ml 人 IL-2、10 ng/ml 人 IL-10 和 40 ng/ml 人 IL-21 刺激纯化的肿瘤浸润幼稚 Bm 和 AtM B 细胞200 μl 培养基。第11天,收获细胞并通过荧光激活细胞分选术(FACS)对浆细胞进行染色。收集无细胞上清液并储存在-80°C用于进一步的抗体阵列检测。对于 AtM B 细胞分化实验,在不存在或存在谷氨酰胺的情况下,以不同的谷氨酰胺生理血浆浓度和不同的共培养时间,用 1μg/ml R848 刺激健康的血液 B 细胞。此外,使用100ng/ml IFNγ或10×生理血浆浓度的谷氨酰胺,或500 nM CB-839或1.5 mM二甲基-2-酮戊二酸(DMαKG)或1 nmol雷帕霉素和1μg/ml R848刺激B细胞4天。 , 分别。 AtM B 细胞表型通过 LSRFortessa 流式细胞仪 (BD Biosciences) 进行染色和获取。
Co-culture experiment 共培养实验
对于 Tph 和 B 细胞共培养实验,用 CD3/CD28 珠或 IL-21R 刺激分选的肿瘤浸润 T reg 、Th 和 PD1 Hi CD4 Tph 细胞,进一步将来自健康血液的分离的总 B 细胞和幼稚 B 细胞以 1:5 和 1:2 的比例分别接种到最终体积 200 μl 中 7 和 5 天。对 AtM B 细胞进行表型染色。
对于 AtM B 和 T 细胞共培养实验,收集谷氨酰胺诱导的 AtM B 细胞,并与 CD3/CD28 珠处理的健康血 T 细胞以 5:1 的比例在最终体积 200 μl 中共培养。第5天,收集细胞,并对T细胞亚群(CD8、CD4和T reg )和功能标记物(Ki67、GZMB、IFNγ、TNFα和PD1)进行染色。所有这些染色均使用 LSRFortessa 流式细胞仪 (BD Biosciences) 进行检测。
Metabolomics LC-MS 代谢组学 LC-MS
配对的邻近组织和癌组织立即冷冻在液氮中。然后将组织切成小块并使用均质器均质化。将百分之五十的甲醇/乙腈添加到均质溶液中以提取代谢物。将混合物离心,并在真空离心机中干燥上清液。对于液相色谱-质谱(LC-MS)分析,将样品重新溶解在50%乙腈/水溶剂中并离心15分钟,然后注入上清液。用预冷的 80% 甲醇收集经谷氨酰胺和 CB-839 处理的健康血 B 细胞的细胞内代谢物。然后将样品离心,并用 LC-MS 级水稀释上清液。随后将样品离心并注入 Thermo Fisher Scientific TSQ Quantis 系统中。
对于 13 C 谷氨酰胺示踪,在缺乏谷氨酰胺的培养基中用 R848 和 13 C 标记的谷氨酰胺处理健康血液 B 细胞 24 小时。未标记的谷氨酰胺和R848处理用作阴性对照。用 500 μl 冷提取缓冲液(甲醇、乙腈和水)重构细胞。测量前将上清液彻底冻干并重悬于甲醇-水(1:1)中。使用与 Thermo Fisher Vanquish UPLC 系统联用的 Thermo Fisher Q-Exactive plus 混合四极杆轨道阱质谱仪对同位素体分布的 MS 测量结果进行分析。基于精确质量的数据处理和离子注释在TraceFinder 5.0 (Thermo Fisher)和Xcalibur 4.0 (Thermo Fisher)中进行。
mIHC and spatial analysis
mIHC 和空间分析
我们进行 mIHC 来鉴定 ASC、AtM B 细胞、PD1 Hi CD4 Tph 细胞和不同的 TLS 结构。使用 PerkinElmer 的 Vectra 3 平台扫描载玻片,并使用 Inform 软件(v.2.6.0)对图像进行量化。使用“组织片段”功能对 TLS 和非 TLS 区域进行训练,并在所有整个幻灯片上进行量化。通过 fDC 和苏木精和伊红 (H&E) 染色评估 TLS 成熟度。
我们使用 HALO 软件(Indica labs)的空间分析模块来分析 AtM B 细胞在未成熟和成熟 TLS 之间的空间位置。然后选择淋巴细胞聚集的边缘和滤泡区域作为界面,将每个条带以20μm细分为总共20个条带。使用渗透分析来量化界面内外每个条带中AtM B细胞的密度和绝对数量以及每个AtM B细胞到界面的距离。我们还使用 spatstat (v2.3-4) 来量化 TLS 与非 TLS 区域中 20 μm AtM B 细胞周围 PD1 Hi CD4 + Tph 细胞的密度和频率。
Acknowledgments 致谢
我们感谢并感谢苏州血液中心的 L. Tang 和 M. Wang 收集临床样本。
我们感谢中国科学院上海生物化学与细胞生物学研究所的 D. Li 对本文的有益讨论和反馈。该项目得到了上海市科技重大专项的资助。资助: 该项目得到了国家自然科学基金(编号:82130077、81961128025、82121002、31930028、82203643和82273187)Q.G.、G.J.G.和G.H.S.的资助;上海市科委科研项目(编号:21JC1410100、21JC1401200、20JC1418900、20YF1407400、22490760100 和 23XD1404300)至 J.F.、Q.G.、S.Z. 和 X.M.Z.;中国科学院战略性先导研究计划(编号:XDPB0303)X.M.Z.;和上海市科技重大专项Q.G.
作者贡献:概念化:J.F.、G.J.G.、X.M.Z. 和 Q.G.方法论:J.Q.M.、Y.C.W.、L.F.M.、T.C.Z.、X.P.Y.、G.H.S.、J.L.、T.L.、K.G.、X.X.G.、J.M.P.、S.Z. 和 S.J.调查:J.Q.M.、Y.C.W.、X.P.Y.、J.L.、K.G.、X.S.、Y.M.C.、X.S.L.、W.C.B.、D.N.R.、L.H.T.、M.Y.W. 和 D.P.H.可视化:J.Q.M.、Y.C.W.、L.F.M.、Z.C.C. 和 Y.T.F.资金收购:G.H.S.、G.Y.D.、S.Z.、J.F.、G.J.G.、X.M.Z. 和 Q.G.项目管理:J.F.、G.J.G.、X.M.Z. 和 Q.G.监督:J.F.、G.J.G.、X.M.Z. 和 Q.G.资源:C.H.和 S.S. 写作 – 初稿:J.Q.M.、Y.C.W.、L.F.M.、G.J.G.、X.M.Z. 和 Q.G.写作 – 审阅和编辑:J.Q.M.、Y.C.W.、L.F.M.、T.C.Z.、G.H.S.、J.L.、T.L.、K.G.、X.S.、Y.M.C.、X.S.L.、Z.C.C.、S.J.、D.N.R.、J.M.P.、S.Z.、J.Z.、C.H.、S.S.、 F.、G.J.G.、X.M.Z.、和 Q.G.
竞争利益:作者声明他们没有竞争利益。
数据和材料可用性:论文中提供的所有数据均显示在论文和/或补充材料中。包括scRNA-seq、scBCR-seq和scATAC-seq在内的测序数据集可在国家基因组数据中心获得(登录号PRJCA020880),处理后的基因表达数据可在Cancer B cell blueprint(http://pancancer.org)下载。 cn/B/) 和 Zenodo (118)。用于数据分析的代码可在 GitHub (https://github.com/ma-jq/B) 获取。
许可信息:版权所有 © 2024 作者,保留部分权利;独家被许可人美国科学促进会。没有声称拥有美国政府原创作品。 https://www.science.org/about/science-licenses-journal-article-reuse
Supplementary Materials 补充材料
This PDF file includes: 该 PDF 文件包括:
- Download 下载
- 13.09 MB
Other Supplementary Material for this manuscript includes the following:
本手稿的其他补充材料包括以下内容:
- Download 下载
- 15.34 MB 15.34MB
MDAR 再现性检查表
- Download 下载
- 124.90 KB
References and Notes 参考文献和注释
C. M. Laumont,B. H. Nelson,肿瘤微环境中的 B 细胞:抗肿瘤免疫的多方面组织者、调节者和效应者。癌细胞 41, 466–489 (2023)。
C. M. Laumont、A. C. Banville、M. Gilardi、D. P. Hollern、B. H. Nelson,肿瘤浸润 B 细胞:免疫机制、临床影响和治疗机会。纳特。癌症杂志 22, 414–430 (2022)。
D. R. Glass、A. G. Tsai、J. P. Oliveria、F. J. Hartmann、S. C. Kimmey、A. A. Calderon、L. Borges、M. C. Glass、L. E. Wagar、M. M. Davis、S. C. Bendall,人类 B 细胞身份的综合多组学单细胞图谱。免疫 53, 217–232.e5 (2020)。
B.杨,Z.张,X.陈,X.-Y。王、勤、杜、杨、朱、孙、朱、郑、赵、王、赵、林、黄、 F.吴,L.卢,F.王,W.郑,X.-H。周X.赵,Z.王,S.晓林,Y.叶,S.王,Z.李,H.齐,Z.张,D.-M。 Kuang,L.Zhang,Z.Shen,W.Liu,人类 IgG1 的亚洲特异性变体通过塑造肿瘤微环境来抑制结直肠肿瘤的发生。 J.克林。投资。 132,e153454 (2022)。
(0)eLetters 电子信件
eLetters is a forum for ongoing peer review. eLetters are not edited, proofread, or indexed, but they are screened. eLetters should provide substantive and scholarly commentary on the article. Embedded figures cannot be submitted, and we discourage the use of figures within eLetters in general. If a figure is essential, please include a link to the figure within the text of the eLetter. Please read our Terms of Service before submitting an eLetter.
eLetters 是一个持续进行同行评审的论坛。电子信件未经编辑、校对或索引,但经过筛选。电子信件应提供有关文章的实质性和学术评论。无法提交嵌入的图形,并且我们一般不鼓励在电子信件中使用图形。如果图表是必需的,请在电子信件的文本中包含该图表的链接。请在提交电子信件之前阅读我们的服务条款。
No eLetters have been published for this article yet.
本文尚未发布任何电子信件。
Information & Authors
Information
Published In
![](/cms/asset/fa4ca203-915d-4ea3-b366-81d345df43f2/science.2024.384.issue-6695.largecover.jpg)
3 May 2024
Copyright
Article versions
Submission history
Acknowledgments
Authors
Funding Information
Metrics & Citations
Metrics
Article Usage
Altmetrics
Citations
Cite as
- Jiaqiang Ma et al.
Export citation
Select the format you want to export the citation of this publication.
View Options
View options
PDF format
Download this article as a PDF file
Download PDFMedia
Figures
![](/cms/10.1126/science.adj4857/asset/0d79fd61-a79c-4341-bdbd-61ba619d2b73/assets/images/large/science.adj4857-fa.jpg)
![](/cms/10.1126/science.adj4857/asset/aa2b80e4-c628-4172-8aa5-f173cc4a0ba4/assets/images/large/science.adj4857-f1.jpg)
![](/cms/10.1126/science.adj4857/asset/667c4e12-f3fb-4b93-a1aa-022be3feac36/assets/images/large/science.adj4857-f2.jpg)
![](/cms/10.1126/science.adj4857/asset/07e7fdfc-d1c8-4d33-8543-f8fb88e46147/assets/images/large/science.adj4857-f3.jpg)
![](/cms/10.1126/science.adj4857/asset/706c0476-3baa-4887-a1dc-76f9cea5105b/assets/images/large/science.adj4857-f4.jpg)
![](/cms/10.1126/science.adj4857/asset/59e59cb5-ce26-43ee-bdf0-4cc58f025a57/assets/images/large/science.adj4857-f5.jpg)
![](/cms/10.1126/science.adj4857/asset/61c4204d-bc21-4e14-a2cb-7bf4a7f1239a/assets/images/large/science.adj4857-f6.jpg)
Multimedia
Tables
References 参考
References
1C. M. Laumont,B. H. Nelson,肿瘤微环境中的 B 细胞:抗肿瘤免疫的多方面组织者、调节者和效应者。癌细胞 41, 466–489 (2023)。
2C。 M. Laumont、A. C. Banville、M. Gilardi、D. P. Hollern、B. H. Nelson,肿瘤浸润 B 细胞:免疫机制、临床影响和治疗机会。纳特。癌症杂志 22, 414–430 (2022)。
3D。 R. Glass、A. G. Tsai、J. P. Oliveria、F. J. Hartmann、S. C. Kimmey、A. A. Calderon、L. Borges、M. C. Glass、L. E. Wagar、M. M. Davis、S. C. Bendall,人类 B 细胞身份的综合多组学单细胞图谱。免疫 53, 217–232.e5 (2020)。
4B。杨,张,X.陈,X.-Y。王、勤、杜、杨、朱、孙、朱、郑、赵、王、赵、林、黄、 F.吴,L.卢,F.王,W.郑,X.-H。周X.赵,Z.王,S.晓林,Y.叶,S.王,Z.李,H.齐,Z.张,D.-M。 Kuang,L.Zhang,Z.Shen,W.Liu,人类 IgG1 的亚洲特异性变体通过塑造肿瘤微环境来抑制结直肠肿瘤的发生。 J.克林。投资。 132,e153454 (2022)。
5R。 D. Mazor、N. Nathan、A. Gilboa、L. Stoler-Barak、L. Moss、I. Solomonov、A. Hanuna、Y. Divinsky、M. D. Shmueli、H. Hezroni、I. Zaretsky、M. Mor、O . Golani、G. Sabah、A. Jakobson-Setton、N. Yanichkin、M. Feinmesser、D. Tsoref、L. Salman、E. Yeoshoua、E. Peretz、I. Erlich、N. M. Cohen、J. M. Gershoni、N. Freund ,Y. Merbl,G. Yaari,R. Eitan,I. Sagi,Z. Shulman,肿瘤反应性抗体从非结合和自身反应性前体进化而来。单元格 185, 1208–1222.e21 (2022)。
6Y。卢庆,赵建宇。廖,E. Song,Q. Xia,J. Pan,Y. Li,J. Li,B. Zhou,Y. Ye,C. Di,S. Yu,Y. Zeng,S. Su,补体信号确定相反B 细胞在化疗诱导免疫中的作用。单元格 180, 1081–1097.e24 (2020)。
7M。 Meylan、F. Petitprez、E. Becht、A. Bougoüin、G. Pupier、A. Calvez、I. Giglioli、V. Verkarre、G. Lacroix、J. Verneau、C.-M。 Sun,P. Laurent-Puig,Y.-A。 Vano、R. Elaïdi、A. Méjean、R. Sanchez-Salas、E. Barret、X. Cathelineau、S. Oudard、C.-A. Reynaud、A. de Reyniès、C. Sautès-Fridman、W. H. Fridman,肾细胞癌中第三淋巴结构生成并传播产生抗肿瘤抗体的浆细胞。免疫 55, 527–541.e5 (2022)。
8G。 Y.丁,J.-Q。马,J.-P。云,陈X,凌Y,张S,J.-Y。石,Y.-Q。张,Y.吉,X.-Y。王,W.-M。谭,K.-F。袁斌,严X.-M。张,梁,周,范,曾,M.-Y。 Cai,Q.Gao,三级淋巴结构的分布和密度预测肝内胆管癌的临床结果。 J.肝素。 76, 608–618 (2022)。
9W。 H. Fridman、M. Meylan、F. Petitprez、C.-M。 Sun、A. Italiano、C. Sautès-Fridman,B 细胞和三级淋巴结构作为肿瘤免疫环境和临床结果的决定因素。纳特。克林牧师。安科尔。 19, 441–457 (2022)。
10C。 Sautès-Fridman、F. Petitprez、J. Calderaro、W. H. Fridman,癌症免疫治疗时代的第三淋巴结构。纳特。癌症杂志 19, 307–325 (2019)。
11楼。 Z.欧阳,R.-Q。吴,Y.魏,R.-X。刘,D.杨,X.肖,L.郑,B.李,X.-M。老挝,D.-M。 Kuang,树突状细胞引发的 B 细胞激活通过 IL-10 信号在肝细胞癌中促进免疫特权。纳特。交流。 7、13453(2016)。
12S。 Y.杨,J.龙,M.-X。黄,P.-Y。罗,Z.-H。卞,Y.-F。徐,C.-B。王,S.-H。 Yang,L. Li,C. Selmi,M. E. Gershwin,Z.-B。赵,Z.-X。 Lian,使用单细胞 RNA 测序表征器官特异性调节 B 细胞。正面。免疫学。 12、711980 (2021)。
13N。 I. Affara、B. Ruffell、T. R. Medler、A. J. Gunderson、M. Johansson、S. Bornstein、E. Bergsland、M. Steinhoff、Y. Li、Q. Kong、Y. Ma、J. F. Wiesen、M. H. Wong、M. Kulesz-Martin、B. Irving、L. M. Coussens,B 细胞调节巨噬细胞表型和鳞状癌化疗反应。癌细胞 25, 809–821 (2014)。
14岁。魏,X.-M。劳,肖,X.-Y。王,Z.-J。吴,Q.-H。曾,C.-Y。吴,R.-Q。吴,Z.-X。陈,郑,李,D.-M。 Kuang,肝细胞癌中浆细胞极化至免疫球蛋白 G 表型涉及表观遗传改变并促进小鼠肝癌进展。胃肠病学 156, 1890–1904.e16 (2019)。
15X。肖,X.-M。老挝,M.-M。陈,R.-X。刘玉伟,F.-Z。欧阳,D.-P。陈,X.-Y。赵,Q. 赵X.-F。李,C.-L。刘,郑,D.-M。 Kuang,PD-1hi 鉴定出人类肝癌中一种可促进疾病进展的新型调节性 B 细胞群。癌症发现。 6、546-559(2016)。
16点。 W. King、N. Orban、J. C. Riches、A. J. Clear、G. Warnes、S. A. Teichmann、L. K. James,人类 B 细胞成熟的单细胞分析预测抗体类别转换如何塑造选择动态。科学。免疫学。 6、eabe6291(2021)。
17D。郝,G. Han,A. Sinjab,L. I. Gomez-Bolanos,R. Lazcano,A. Serrano,S. D. Hernandez,E. Dai,X. Cao,J. Hu,M. Dang,R. Wang,Y. Chu, X. Song、J. 张、E. R. Parra、J. A. Wargo、S. G. Swisher、T. Cascone、B. Sepesi、A. P. Futreal、M. Li、S. M. Dubinett、J. Fujimoto、L. M. Solis Soto、I. I. Wistuba、C. S. Stevenson、A . Spira, S. Shalapour, H. Kadara, L. Wang,早期肺腺癌中 B 细胞和浆细胞的单细胞免疫基因组景观。癌症发现。 12, 2626–2645 (2022)。
18M。 C. Woodruff、R. P. Ramonell、D. C. Nguyen、K. S. Cashman、A. S. Saini、N. S. Haddad、A. M. Ley、S. Kyu、J. C. Howell、T. Ozturk、S. Lee、N. Suryadevara、J. B. Case、R. Bugrovsky、W. Chen、J. Estrada、A. Morrison-Porter、A. Derrico、F. A. Anam、M. Sharma、H. M. Wu、S. N. Le、S. A. Jenks、C. M. Tipton、B. Staitieh、J. L. Daiss、E. Ghosn、M. S. Diamond、R. H. Carnahan,J. E. Crowe Jr.,W. T. Hu,F. E.-H。 Lee, I. Sanz,滤泡外 B 细胞反应与中和抗体和 COVID-19 发病率相关。纳特。免疫学。 21, 1506–1516 (2020)。
19J。 W. Austin、C. M. Buckner、L. Kardava、W. Wang、X. Zhang、V. A. Melson、R. G. Swanson、A. J. Martins、J. Q. Zhou、K. B. Hoehn、J. N. Fisk、Y. Dimopoulos、A. Chassiakos、S. O'Dell 、M. G. Smelkinson、C. A. Seamon、R. W. Kwan、M. C. Sneller、S. Pittaluga、N. A. Doria-Rose、A. McDermott、Y. Li、T.-W. Chun, S. H. Kleinstein, J. S. Tsang, C. Petrovas, S. Moir,HIV 感染中 T-bet 的过度表达与生发中心外 B 细胞的积累和亲和力成熟不良有关。科学。译。医学。 11、eaax0904(2019)。
20M。 P. Cancro,年龄相关 B 细胞。安努。免疫学牧师。 38, 315–340 (2020)。
21C。吴,富,郭,陈,S. Goswami,孙,李,曹,F. Chu,Z. Chen,M. Liu,Y. Liu,T. Fu, P.Hao、Y.Hao、N.Shen、C.Bao、X.Zhang,狼疮相关的非典型记忆 B 细胞 mTORC1 过度激活且功能失调。安.感冒。迪斯。 78、1090-1100(2019)。
22S。 A. Jenks、K. S. Cashman、E. Zumaquero、U. M. Marigorta、A. V. Patel、X. Wang、D. Tomar、M. C. Woodruff、Z. Simon、R. Bugrovsky、E. L. Blalock、C. D. Scharer、C. M. Tipton、C. Wei、S. S. Lim、M. Petri、T. B. Niewold、J. H. Anolik、G. Gibson、F. E.-H。 Lee, J. M. Boss, F. E. Lund, I. Sanz,不受调节的 Toll 样受体 7 诱导的独特效应 B 细胞有助于系统性红斑狼疮的致病反应。免疫 49, 725–739.e6 (2018)。
23Y。 hao、P. O’Neill、M. S. Naradikian、J. L. Scholz、M. P. Cancro,对先天刺激有独特反应的 B 细胞亚群在老年小鼠中积累。血 118, 1294–1304 (2011)。
24S。 Wang、J. Wang、V. Kumar、J. L. Karnell、B. Naiman、P. S. Gross、S. Rahman、K. Zerrouki、R. Hanna、C. Morehouse、N. Holoweckyj、H. Liu、Z. Manna、R. Goldbach-Mansky、S. Hasni、R. Siegel、M. Sanjuan、K. Streicher、M. P. Cancro、R. Kolbeck、R. Ettinger,自身免疫分子医学团队,IL-21 驱动自身反应性 CD11c 的扩增和浆细胞分化 hi T-bet + SLE 中的 B 细胞。纳特。交流。 9, 1758 (2018)。
25I。 Korsunsky、N. Millard、J. Fan、K. Slowikowski、F. Zhang、K. Wei、Y. Baglaenko、M. Brenner、P. R. Loh、S. Raychaudhuri,利用 Harmony 快速、灵敏且准确地整合单细胞数据。纳特。方法 16, 1289–1296 (2019)。
26R。薛、张、曹、孔、向、刘、冯、王、程、李、詹、邓、朱、 Z.Zhang,N.Zhang,肝脏肿瘤免疫微环境亚型和中性粒细胞异质性。自然 612, 141–147 (2022)。
27K。 Pelka、M. Hofree、J. H. Chen、S. Sarkizova、J. D. Pirl、V. Jorgji、A. Bejnood、D. Dionne、W. H. Ge、K. H. Xu、S. X. Chao、D. R. Zollinger、D. J. Lieb、J. W. Reeves、C. A. Fuhrman、M. L. Hoang、T. Delorey、L. T. Nguyen、J. Waldman、M. Klapholz、I. Wakiro、O. Cohen、J. Albers、C. S. Smillie、M. S. Cuoco、J. Wu、M. J. Su、J. Yeung、B. Vijaykumar、 A. M. Magnuson、N. Asinovski、T. Moll、M. N. Goder-Reiser、A. S. Applebaum、L. K. Brais、L. K. DelloStritto、S. L. Denning、S. T. Phillips、E. K. Hill、J. K. Meehan、D. T. Frederick、T. Sharova、A. Kanodia、E. Z. Todres 、J. Jané-Valbuena、M. Biton、B. Izar、C. D. Lambden、T. E. Clancy、R. Bleday、N. Melnitchouk、J. Irani、H. Kunitake、D. L. Berger、A. Srivastava、J. L. Hornick、S. Ogino 、A. Rotem、S. Vigneau、B. E. Johnson、R. B. Corcoran、A. H. Sharpe、V. K. Kuchroo、K. Ng、M. Giannakis、L. T. Nieman、G. M. Boland、A. J. Aguirre、A. C. Anderson、O. Rozenblatt-Rosen、A. Regev ,N. Hacohen,人类结直肠癌中空间组织的多细胞免疫中枢。单元格 184, 4734–4752.e20 (2021)。
28A。 Wieland、M. R. Patel、M. A. Cardenas、C. S. Eberhardt、W. H. Hudson、R. C. Obeng、C. C. Griffith、X. Wang、Z. G. Chen、H. T. Kissick、N. F. Saba、R. Ahmed,定义头颈部患者的 HPV 特异性 B 细胞反应癌症。自然 597, 274–278 (2021)。
29N。 Kim, H.K. Kim, K. Lee, Y. Hong, J. H. Cho, J. W. Choi, J.-I.李,Y.-L。 Suh,B.M.Ku,H.H.Eum,S.Choi,Y.-L。崔,J.-G。琼,W.-Y。帕克,H.A. 荣格,J.-M。孙,S.-H。 Lee, J. S. Ahn, K. Park, M.-J。安,H.-O。 Lee,单细胞 RNA 测序证明了转移性肺腺癌的分子和细胞重编程。纳特。交流。 11, 2285 (2020)。
30A。 M. Laughney、J. Hu、N. R. Campbell、S. F. Bakhoum、M. Setty、V.-P。 Lavallée、Y. Xie、I. Masilionis、A. J. Carr、S. Kottapalli、V. Allaj、M. Mattar、N. Rekhtman、J. B. Xavier、L. Mazutis、J. T. Poirier、C. M. Rudin、D. Pe'er、J. Massagué,肺癌转移中的再生谱系和免疫介导的修剪。纳特。医学。 26, 259–269 (2020)。
31A。 Frede、P. Czarnewski、G. Monasterio、K. P. Tripathi、D. A. Bejarano、R. O. Ramirez Flores、C. Sorini、L. Larsson、X. Luo、L. Geerlings、C. Novella-Rausell、C. Zagami、R. Kuiper、 R. A. Morales、F. Castillo、M. Hunt、L. L. Mariano、Y. O. O. Hu、C. Engblom、A.-M. Lennon-Duménil、R. Mittenzwei、A. M. Westendorf、N. Hövelmeyer、J. Lundeberg、J. Saez-Rodriguez、A. Schlitzer、S. Das、E. J. Villablanca,B 细胞扩张阻碍粘膜愈合过程中的间质-上皮再生串扰。免疫 55, 2336–2351.e12 (2022)。
32Y。 Chu,E. Dai,Y. Li,G. Han,G. Pei,D. R. Ingram,K. Thakkar,J.-J。秦,M.Dang,X.Le,C.Hu,Q.Deng,A.Sinjab,P.Gupta,R.Wang,D.Ha,F.Peng,X.Yan,Y.Liu,S.Song, S. 张、J. V. Heymach、A. Reuben、Y. Y. Elamin、M. P. Pizzi、Y. Lu、R. Lazcano、J. Hu、M. Li、M. Curran、A. Futreal、A. Maitra、A. A. Jazaeri、J. A. Ajani ,C.斯旺顿,X.-D。 Cheng、H. A. Abbas、M. Gillison、K. Bhat、A. J. Lazar、M. Green、K. Litchfield、H. Kadara、C. Yee、L. Wang,泛癌 T 细胞图谱将细胞应激反应状态与免疫治疗联系起来反抗。纳特。医学。 29, 1550–1562 (2023)。
33L。郑思勤、司伟、王阿、邢斌、高瑞、任晓、王丽、吴晓、张建、吴宁、张宁、郑华、 H. Ouyang,K. Chen,Z. Bu,X. Hu,J. Ji,Z. Zhang,肿瘤浸润 T 细胞的泛癌单细胞景观。科学 374,abe6474 (2021)。
35V。 Greiff、E. Miho、U. Menzel、S. T. Reddy,适应性免疫库的生物信息学和统计分析。趋势免疫学。 36, 738–749 (2015)。
36Y。魏,C.-X。黄晓晓,D.-P。陈慧山,何慧,D.-M。 Kuang,癌症微环境中 B 细胞的异质性、可塑性和功能多样性。癌基因 40, 4737–4745 (2021)。
37G。宋、石、孟、马、黄、张、吴、李、林、杨、饶、程、林、吉S.,刘Y.,蒋S.,王X.,张S.,阿柯,X.王,Y.曹,Y.Ji,J.周,J.范,X.张,R. Xi,Q.Gao,单细胞转录组分析表明肝内胆管癌有两种分子上不同的亚型。纳特。交流。 13, 1642 (2022)。
38N。 S. Patil、B. Y. Nabet、S. Müller、H. Koeppen、W. Zou、J. Giltnane、A. Au-Yeung、S. Srivats、J. H. Cheng、C. Takahashi、P. E. de Almeida、A. S. Chitre、J. L. Grogan、 L. Rangell、S. Jayakar、M. Peterson、A. W. Hsia、W. E. O'Gorman、M. Ballinger、R. Banchereau、D. S. Shames,肿瘤内浆细胞预测非小细胞肺癌中 PD-L1 阻断的结果。癌细胞 40, 289–300.e4 (2022)。
39C。 E. Shannon,《通信的数学理论》。暴民。计算。交流。修订版 5, 3–55 (2001)。
40B。 Liu,C. Li,Z. Li,D. Wang,X. Ren,Z. Zhang,一种用于评估单细胞群纯度的基于熵的指标。纳特。交流。 11, 3155 (2020)。
41A。 T. Ruffin、A. R. Cillo、T. Tabib、A. Liu、S. Onkar、S. R. Kunning、C. Lampenfeld、H. I. Atiya、I. Abecassis、C. H. L. Kürten、Z. Qi、R. Soose、U. Duvvuri、S. Kim、S. Oesterrich、R. Lafyatis、L. G. Coffman、R. L. Ferris、D. A. A. Vignali、T. C. Bruno,B 细胞特征和三级淋巴结构有助于头颈鳞状细胞癌的结果。纳特。交流。 12, 3349 (2021)。