1. 领域背景与文献
文献英文标题：Immune classification of advanced melanoma identifies non-responders to anti-PD1 therapy；
发表期刊：Cancer Immunology, Immunotherapy；影响因子：未公开；研究领域：肿瘤免疫学（晚期黑色素瘤免疫治疗生物标志物）
晚期黑色素瘤是恶性程度极高的皮肤肿瘤，免疫治疗的问世显著改善了患者预后，其中抗PD1单药或联合抗CTLA4等治疗可使超过40%的患者获得长期生存。然而，临床实践中仍存在未满足的核心需求：约1/3患者在治疗前6个月内出现疾病进展，另有20%-30%的患者在后续治疗中进展，因此亟需可靠的预测性生物标志物来区分抗PD1治疗的应答者与无应答者，以实现精准治疗。领域共识：肿瘤微环境中的免疫细胞组成是影响免疫治疗应答的关键因素，通过转录组去卷积分析可解析bulk RNA-seq样本中的免疫细胞群，为免疫治疗应答预测提供依据。
本研究的初衷是基于团队前期在TCGA队列中定义的黑色素瘤免疫特征，在两个独立的抗PD1治疗队列中验证其应答预测价值，同时关联免疫分类与癌生态型，明确免疫低分组的治疗策略，为晚期黑色素瘤的精准免疫治疗提供新的依据。
2. 文献综述解析
作者对领域内现有研究的分类维度主要包括免疫治疗应答特征、肿瘤微环境免疫细胞群解析、免疫生物标志物的临床应用三个方向。
现有研究的关键结论显示，抗PD1免疫治疗已成为晚期黑色素瘤的标准治疗方案，可显著延长患者生存，但仍有超过半数患者无法从中获益；肿瘤微环境中的CD8 T细胞、记忆B细胞等效应免疫细胞的存在与良好治疗应答密切相关；部分研究已定义了基于免疫基因的预测特征，但这些特征与癌生态型的关联尚未明确，且免疫低分组的最优治疗策略仍需探索。现有研究的技术方法优势在于，CIBERSORT、Ecot yper等去卷积工具可从bulk RNA-seq数据中高效解析免疫细胞比例与癌生态型，为大规模队列分析提供了可行手段；局限性则体现在部分生物标志物缺乏多队列验证，且未明确免疫分类与癌生态型的对应关系，无法为免疫低分组患者提供具体的治疗指导。
本研究的创新价值在于，首次将团队前期定义的107个免疫基因特征与癌生态型关联，明确免疫高分组富集与良好应答相关的CE9和CE10生态型；同时在两个独立队列中验证了免疫低分组对单药抗PD1治疗应答差，联合治疗可显著提高其应答率；此外，通过CIBERSORT解析了免疫高分组的关键免疫细胞类型，并证实这些细胞与患者总生存密切相关，弥补了现有研究中免疫生物标志物功能关联与治疗策略指导的空白。
3. 研究思路总结与详细解析
本研究的整体框架为“队列验证-免疫分类-特征关联-策略探索”，研究目标是验证前期定义的免疫特征对晚期黑色素瘤抗PD1治疗应答的预测价值，明确免疫分类与癌生态型的关联，探索免疫低分组的最优治疗策略；核心科学问题包括免疫特征如何有效区分治疗应答者、免疫分类与癌生态型的关联机制、免疫低分组患者的治疗方案优化；技术路线遵循“假设提出-多队列验证-多组学解析-结论总结”的闭环逻辑，通过两个独立队列的RNA-seq数据，结合共识聚类、去卷积分析等方法，系统验证免疫特征的临床价值。
3.1 研究队列构建与样本处理
实验目的是建立晚期黑色素瘤抗PD1治疗的验证队列，获取合格的RNA样本用于转录组测序分析。方法细节方面，研究纳入两个队列：西班牙黑色素瘤组（GEM）队列包含52例接受抗PD1治疗的晚期黑色素瘤患者的福尔马林固定石蜡包埋（FFPE）样本，Campbell队列则从公开数据库中筛选出204例符合条件的样本，分为未接受过抗CTLA4治疗（ipi-naïve，116例）、接受过抗CTLA4治疗（ipi-experienced，48例）、接受抗PD1联合抗CTLA4治疗（combo，30例）三个亚组。GEM队列样本采用miRNeasy FFPE试剂盒（QIAGEN）提取RNA，经NanoDrop分光光度计（Thermo Fisher）定量质控后，最终40例样本合格并进行RNA-seq测序，测序文库采用KAPA RNA Hyperprep试剂盒（Roche Nimblegen Inc.）构建，结合SeqCap EZ探针池（Roche）进行靶向捕获测序。结果解读显示，GEM队列经样本筛选后最终40例样本用于后续分析，Campbell队列纳入的204例样本均符合晚期皮肤黑色素瘤、接受抗PD1治疗的纳入标准，为后续免疫分类提供了充足的样本基础。实验所用关键产品：miRNeasy FFPE试剂盒（QIAGEN）、KAPA RNA Hyperprep试剂盒（Roche Nimblegen Inc.）、APA文库定量试剂盒（Roche Nimblegen Inc.）、SeqCap EZ探针池（Roche）、NanoDrop分光光度计（Thermo Fisher）。
3.2 免疫分类与治疗应答相关性验证
实验目的是验证前期定义的107个免疫基因特征在两个队列中对抗PD1治疗应答的预测价值。方法细节为采用ConsensusClusterPlus R包（v1.72.0）对两个队列的样本进行共识聚类，基于107个免疫基因的表达水平将样本分为免疫高分组和免疫低分组，随后比较两组的治疗应答率（完全应答CR+部分应答PR视为良好应答，疾病进展PD视为无应答）。结果解读显示，GEM队列中免疫高分组的治疗应答率显著高于免疫低分组（
）；Campbell队列中，免疫高分组的应答率在ipi-naïve人群中显著更高（P=0.019，n=116），且无论患者是否接受过抗CTLA4治疗，免疫高分组的应答率均优于免疫低分组（
）；此外，联合抗PD1与抗CTLA4治疗可提高免疫高和免疫低分组的应答率，其中免疫高分组的应答率提升具有统计学意义（P<0.05，文献未明确样本量）。实验所用关键产品：ConsensusClusterPlus R包v1.72.0。
3.3 免疫分类与癌生态型的关联分析
实验目的是明确免疫分类与癌生态型的对应关系，解析免疫特征背后的肿瘤微环境免疫状态。方法细节为采用Ecot yper工具对两个队列的样本进行癌生态型解析，比较免疫高分组与免疫低分组的癌生态型分布差异，并分析不同治疗史亚组中的分布特征。结果解读显示，免疫高分组仅包含CE9和CE10两种癌生态型，而免疫低分组则包含其余8种生态型，两组的生态型分布差异具有统计学意义（P<0.05，文献未明确样本量）（
）；在Campbell队列中，无论患者是否接受过抗CTLA4治疗，该分布差异均保持一致，而combo组因样本量较小（n=30）未观察到统计学差异（
）；进一步分析显示，在未接受过抗CTLA4治疗的患者中，CE9和CE10生态型与良好治疗应答显著相关（P=0.019，n=116）（
）。实验所用关键产品：Ecot yper工具。
3.4 免疫细胞群解析与生存关联分析
实验目的是解析免疫高分组与免疫低分组的免疫细胞组成差异，明确与治疗应答及生存相关的关键免疫细胞类型。方法细节为采用CIBERSORTx工具对两个队列的样本进行免疫细胞比例解析，比较免疫高分组与免疫低分组的细胞比例差异，并在GEM队列中分析免疫细胞与总生存（OS）的关联。结果解读显示，免疫高分组的CD8 T细胞、记忆B细胞、滤泡辅助T细胞、M1巨噬细胞比例显著高于免疫低分组（GEM队列n=40，P<0.05；Campbell队列n=204，P<0.05）；在GEM队列中，记忆B细胞、CD8 T细胞、滤泡辅助T细胞的存在与更好的总生存密切相关（n=40，P<0.05）（
）。实验所用关键产品：CIBERSORTx工具。
4. Biomarker研究及发现成果
本研究的核心Biomarker为团队前期定义的由107个免疫基因组成的黑色素瘤免疫特征，该Biomarker可将晚期黑色素瘤患者分为免疫高分组与免疫低分组，实现抗PD1治疗应答的有效预测。
Biomarker定位方面，该免疫特征的筛选逻辑是基于TCGA队列中未接受免疫治疗的黑色素瘤样本，通过共识聚类定义的免疫基因表达特征；验证逻辑则是在GEM和Campbell两个接受抗PD1治疗的独立队列中，通过共识聚类分组，比较两组的治疗应答率、癌生态型分布、免疫细胞群差异及生存关联，多维度验证其临床价值。
研究过程详述显示，该Biomarker的样本来源为晚期黑色素瘤患者的FFPE样本（GEM队列）与公开数据库中的RNA-seq数据（Campbell队列）；验证方法采用RNA-seq检测基因表达，结合共识聚类进行分组，通过Ecot yper解析癌生态型、CIBERSORTx解析免疫细胞群，最终关联治疗应答与生存数据。特异性与敏感性方面，在Campbell队列的ipi-naïve人群中，免疫高分组的治疗应答率显著高于免疫低分组（P=0.019，n=116），提示该Biomarker具有较好的应答预测特异性；在GEM队列中，免疫高分组的总生存显著优于免疫低分组（文献未明确具体生存数据，基于图表趋势推测）。
核心成果提炼显示，该免疫特征的功能关联在于，免疫高分组富集与良好应答相关的CE9和CE10癌生态型，且CD8 T细胞、记忆B细胞等效应免疫细胞比例更高，与更好的治疗应答及总生存密切相关；创新性在于首次明确了免疫分类与癌生态型的对应关系，为免疫特征的生物学功能提供了新的解释；同时证实免疫低分组对单药抗PD1治疗应答差，联合治疗可提高其应答率，为该类患者的治疗策略提供了方向。此外，该Biomarker在两个独立队列中均显示出良好的应答预测价值，为其临床转化奠定了基础。