1. 领域背景与文献引入
文献英文标题：Single-cell and spatial transcriptomics reveal a high glycolysis B cell and tumor-associated macrophages cluster correlated with poor prognosis and exhausted immune microenvironment in diffuse large B-cell lymphoma；发表期刊：Biomarker Research；影响因子：未公开；研究领域：弥漫大B细胞淋巴瘤（DLBCL）代谢与免疫微环境。
弥漫大B细胞淋巴瘤（DLBCL）是最常见的侵袭性非霍奇金淋巴瘤，约占所有淋巴瘤的30%~40%。尽管R-CHOP（利妥昔单抗联合环磷酰胺、阿霉素、长春新碱、泼尼松）方案显著提高了缓解率，但仍有40%患者在5年内出现复发或进展，预后差异的核心驱动因素是肿瘤的分子异质性。代谢重编程是癌症的核心特征之一，其中“Warburg效应”（有氧糖酵解）是肿瘤细胞适应微环境的关键策略——即使在有氧条件下，肿瘤细胞仍优先通过糖酵解产生ATP，同时生成乳酸等代谢产物重塑肿瘤微环境（TME）。目前，氟脱氧葡萄糖正电子发射断层扫描（FDG-PET/CT）已用于DLBCL的临床评估，但缺乏基于糖酵解通路的可靠生物标志物来预测预后。此外，肿瘤相关巨噬细胞（TAMs）作为TME中最丰富的免疫细胞，其代谢特征（如糖酵解活性）与肿瘤细胞的互作机制，以及如何调控免疫微环境（如CD8⁺T细胞浸润）仍不明确。现有研究多基于bulk RNA-seq技术，无法解析单细胞水平的代谢异质性及细胞间空间相互作用，限制了对DLBCL代谢-免疫调控网络的深入理解。
针对上述研究空白，本研究聚焦“高恶性DLBCL细胞和TAMs的糖酵解特征”“糖酵解与免疫微环境的关联”及“糖酵解相关生物标志物的预后价值”三大核心问题，整合单细胞RNA-seq、空间转录组学、bulk RNA-seq及病理验证（免疫组化、多重免疫荧光）等多组学技术，系统解析DLBCL的代谢异质性及免疫调控机制，为DLBCL的精准预后评估和靶向治疗提供新靶点。
2. 文献综述解析
文献综述的核心评述逻辑围绕“DLBCL预后挑战→代谢重编程的作用→TME中TAMs的角色→现有研究局限”展开：作者首先强调DLBCL的异质性是预后差异的关键，传统国际预后指数（IPI）仅基于临床特征，未整合分子机制（如代谢）；其次，糖酵解作为代谢重编程的核心，促进肿瘤细胞增殖和耐药，但DLBCL中糖酵解相关生物标志物的临床价值未明确；再者，TAMs在TME中发挥双重作用（促瘤/抑瘤），但单细胞水平的TAMs代谢亚型及与肿瘤细胞的互作机制尚不清楚；最后，现有研究多基于bulk测序，无法解析细胞间异质性及空间分布，导致代谢-免疫互作的机制研究不深入。
现有研究的关键结论包括：DLBCL的糖酵解水平与肿瘤侵袭性正相关，FDG-PET/CT的标准化摄取值（SUV）可反映糖酵解活性；TAMs分为M1（促炎）和M2（抑炎）亚型，M2型TAMs与肿瘤进展相关；糖酵解产生的乳酸可促进TAMs向M2型极化，抑制CD8⁺T细胞功能。技术方法的优势是bulk测序和临床样本的大样本分析，局限性是无法解析单细胞异质性和空间分布。本研究的创新点在于：1）首次用单细胞和空间转录组学解析DLBCL中高恶性细胞和TAMs的糖酵解特征；2）揭示高糖酵解的干扰素诱导TAMs（IFN_TAMs，CD68⁺CXCL10⁺PD-L1⁺）与高恶性B细胞的互作机制；3）验证糖酵解基因（STMN1、ENO1等）和IFN_TAMs的独立预后价值，为DLBCL的精准预后提供新生物标志物。
3. 研究思路总结与详细解析
本研究的整体框架为“单细胞筛选→bulk验证→空间与病理确认”：首先通过单细胞RNA-seq筛选高恶性B细胞和TAMs亚群，鉴定糖酵解相关基因；接着用bulk RNA-seq验证糖酵解基因和TAMs的预后价值；最后通过空间转录组学确认细胞的空间分布，用免疫组化、多重免疫荧光验证蛋白水平表达及免疫微环境关联。
3.1 单细胞RNA-seq数据处理与细胞分型
实验目的：解析DLBCL单细胞水平的细胞组成及恶性B细胞亚型。
方法细节：对GSE182434数据库的5个样本（4个DLBCL肿瘤样本、1个扁桃体炎良性样本）进行单细胞RNA-seq分析，首先进行质量控制（过滤基因数300~6000、线粒体基因占比<15%、血红蛋白基因占比<0.1%）；用Harmony算法整合多样本数据，校正批次效应；通过inferCNV包分析拷贝数变异（CNV），鉴定恶性细胞（CNV评分显著高于良性细胞）；用PCA聚类和UMAP可视化，结合细胞标志物（如CD19、CD20）定义细胞类型。
结果解读：共鉴定出15种细胞类型（包括B细胞、T细胞、巨噬细胞、树突状细胞等），其中B细胞的CNV评分显著高于其他细胞（p<0.0001），提示B细胞为主要恶性细胞；进一步将恶性B细胞聚类为5个亚型（B0~B4），其中B1、B3、B4亚型的CNV评分更高（p<0.05），定义为“高恶性B细胞”——其功能富集分析显示高表达E2F靶点、G2M检查点等增殖相关通路（p<0.05）。
产品关联：实验所用关键工具包括10x Genomics单细胞测序平台、Seurat包（数据整合与聚类）、inferCNV包（CNV分析）；文献未提及具体试剂品牌，领域常规使用上述工具解析单细胞数据。
3.2 高恶性B细胞的糖酵解特征分析
实验目的：解析高恶性B细胞的代谢特征，鉴定糖酵解相关基因。
方法细节：用scMetabolism包计算单个细胞的79条代谢通路评分，重点分析糖酵解/糖异生通路；通过高维加权基因共表达网络分析（hdWGCNA）构建高恶性B细胞的基因共表达网络，筛选与糖酵解和CNV评分正相关的核心模块；结合差异基因分析（高恶性vs低恶性B细胞），鉴定糖酵解关键基因。
结果解读：高恶性B细胞的糖酵解/糖异生通路评分显著高于低恶性和良性B细胞（p<0.05），功能富集分析显示高表达“有氧糖酵解”通路（p<0.05）；hdWGCNA鉴定出6个与糖酵解和CNV评分正相关的模块，从中筛选出7个核心糖酵解基因（STMN1、ENO1、LDHA、TPI1、CDK1、PKM、PPIA）——这些基因在高恶性B细胞中显著高表达（p<0.05）。
产品关联：使用scMetabolism（代谢评分）和hdWGCNA（共表达网络）包进行分析；领域常规使用这些工具解析单细胞代谢特征。
3.3 TAMs亚群鉴定与代谢特征分析
实验目的：解析TAMs的单细胞亚型及代谢特征，探索其与高恶性B细胞的互作。
方法细节：对单细胞RNA-seq中的巨噬细胞/单核细胞进行二次聚类，结合CellMarker和Panglao DB数据库注释细胞亚型；用DoRothEA包分析转录因子活性，scMetabolism计算代谢通路评分；通过CellChat包分析细胞间通讯（配体-受体相互作用）。
结果解读：鉴定出5个TAMs/单核细胞亚群：单核细胞（FCN1⁺S100A8⁺）、树突状细胞1（DC1，CLEC10A⁺CD1C⁺）、脂质相关TAMs（LA_TAMs，APOC1⁺APOE⁺）、干扰素诱导TAMs（IFN_TAMs，PD-L1⁺CXCL10⁺）、树突状细胞2（DC2，CLEC9A⁺THBD⁺）。其中，IFN_TAMs的糖酵解/糖异生通路评分显著高于LA_TAMs（p<0.0001），且高表达HIF1A、NFKB1等糖酵解相关转录因子（p<0.05）；细胞通讯分析显示，高恶性B细胞通过巨噬细胞迁移抑制因子（MIF）通路与IFN_TAMs互作，IFN_TAMs通过PD-L1/PDCD1通路抑制CD8⁺T细胞功能。
产品关联：使用CellChat（细胞通讯）和DoRothEA（转录因子）包分析；领域常规使用这些工具解析细胞间相互作用。
3.4 糖酵解基因与TAMs的预后价值验证
实验目的：验证糖酵解基因和TAMs亚群的临床预后价值。
方法细节：用TCGA（47例DLBCL）和GTEx（491例健康对照）数据库比较糖酵解基因的mRNA表达；用GSE181063（802例DLBCL）和GSE10846（164例DLBCL）的bulk RNA-seq数据，通过单因素/多因素Cox回归分析构建糖酵解风险评分模型（风险评分=Σ（基因表达×系数）），Kaplan-Meier曲线分析生存差异；用单样本基因集富集分析（ssGSEA）计算TAMs亚群的富集评分，分析与预后的关联。
结果解读：TCGA/GTEx数据显示，7个糖酵解基因（STMN1、ENO1等）在DLBCL中的mRNA表达显著高于健康对照（p<0.05）；GSE181063队列中，高风险评分组的总生存期（OS）显著短于低风险组（p<0.05），风险评分是独立预后因素（HR=1.796，95%CI 1.077~2.995，p=0.025）；IFN_TAMs的富集评分与不良预后正相关（p<0.05），而LA_TAMs与良好预后相关（p<0.05）。
产品关联：使用survival（Cox回归）、maxstat（最佳cutoff值）包进行生存分析；领域常规使用这些工具验证生物标志物的预后价值。
3.5 空间转录组学与病理验证
实验目的：验证糖酵解基因和TAMs的空间分布及蛋白水平表达。
方法细节：对10例DLBCL患者的福尔马林固定石蜡包埋（FFPE）样本进行Visium空间转录组测序，用CARD包将单细胞数据映射到空间spots，解析细胞类型的空间分布；对34例FFPE样本进行免疫组化（IHC），检测STMN1、ENO1、CDK1、PKM等蛋白表达（H-score评分：0~300，<60为低表达，≥60为高表达）；对20例样本进行多重免疫荧光（mIF），检测IFN_TAMs（CD68⁺CXCL10⁺PD-L1⁺）和CD8⁺T细胞的浸润情况。
结果解读：空间转录组显示，高恶性B细胞（>95%恶性细胞）和IFN_TAMs主要分布在肿瘤核心区域，复发患者的糖酵解评分显著高于未复发患者（p<0.001）；IHC结果显示，STMN1、ENO1、CDK1、PKM的高表达与较短的OS和无进展生存期（PFS）相关（p<0.05），例如STMN1高表达患者的中位OS为9个月，显著短于低表达患者的135个月（p<0.05）；mIF结果显示，IFN_TAMs高浸润患者的CD8⁺T细胞计数显著降低（p<0.05），且与较短的PFS相关（p<0.01）。
产品关联：实验所用关键产品：STMN1抗体（Abcam，ab52630）、ENO1抗体（Abcam，ab227978）、PKM抗体（Abcam，ab137791）、CDK1抗体（Abcam，ab133327）；Visium空间转录组平台（10x Genomics）；多重免疫荧光使用Vectra Polaris扫描系统。
4. Biomarker研究及发现成果解析
本研究涉及的Biomarker包括两类：1）糖酵解基因：STMN1、ENO1、LDHA、TPI1、CDK1、PKM、PPIA；2）细胞亚型：IFN_TAMs（CD68⁺CXCL10⁺PD-L1⁺）。筛选与验证逻辑遵循“单细胞筛选→bulk验证→空间与病理确认”的闭环：首先通过单细胞RNA-seq鉴定高恶性B细胞的糖酵解基因和TAMs亚型，接着用bulk RNA-seq验证其预后价值，最后通过空间转录组和病理技术确认其空间分布和蛋白水平表达。
Biomarker定位与研究过程
糖酵解基因的来源是DLBCL患者的肿瘤组织（单细胞和bulk样本），验证方法包括：单细胞RNA-seq的代谢评分（scMetabolism）、bulk RNA-seq的生存分析（Cox回归）、免疫组化的蛋白表达（H-score：0~300，<60为低表达，≥60为高表达）。IFN_TAMs的来源是肿瘤组织的空间spots和病理切片，验证方法包括：单细胞RNA-seq的亚群注释、空间转录组的CARD解卷积（将单细胞数据映射到空间spots）、多重免疫荧光的细胞计数（CD68⁺CXCL10⁺PD-L1⁺细胞占比）。
核心成果与创新性
- 糖酵解基因的预后价值：7个糖酵解基因构建的风险评分是DLBCL的独立预后因素——高风险患者的死亡风险是低风险患者的1.796倍（p=0.025），预测GSE181063队列1/3/5/7年OS的AUC为0.63/0.61/0.6/0.6。
- IFN_TAMs的预后价值：IFN_TAMs高浸润与不良预后相关，其风险比（HR）为2.1（95%CI 1.2~3.7，p=0.01），预测PFS的AUC为0.75（95%CI 0.62~0.88）。
- 代谢-免疫调控机制：糖酵解基因和IFN_TAMs通过抑制CD8⁺T细胞浸润重塑耗竭免疫微环境——IFN_TAMs高浸润患者的CD8⁺T细胞计数比低浸润患者低47%（p<0.05），且TGFβ1（促纤维化、免疫抑制细胞因子）表达升高2.3倍（p<0.05）。
创新性：首次在单细胞和空间水平揭示了“高糖酵解高恶性B细胞→IFN_TAMs极化→CD8⁺T细胞耗竭”的调控轴，为DLBCL的免疫代谢治疗提供了新靶点（如抑制糖酵解通路的PKM2抑制剂、靶向IFN_TAMs的CXCL10抗体）。
本研究通过多组学技术系统解析了DLBCL的代谢异质性及免疫调控机制，为DLBCL的精准预后评估和靶向治疗提供了重要理论依据。未来可进一步开展体内外功能实验，验证糖酵解基因和IFN_TAMs的促瘤机制，为临床转化奠定基础。