1. 领域背景与文献
文献英文标题：Single-cell and multi-omics integration delineates the landscape of gene-wise intratumor heterogeneity and identifies prognostic biomarkers for immunotherapy in non-small cell lung cancer；
发表期刊：Cancer Immunol Immunother；影响因子：未公开；研究领域：非小细胞肺癌免疫治疗与肿瘤内异质性研究
非小细胞肺癌（NSCLC）是肺癌最主要的亚型，占所有肺癌病例的85%左右，免疫检查点抑制剂（ICB）的应用极大改变了NSCLC的治疗格局，但仅约20%-30%的患者能从中长期获益，肿瘤内异质性（ITH）是导致免疫治疗耐药和疗效差异的关键因素之一。领域共识：肿瘤内异质性指同一肿瘤内部细胞在基因表达、突变谱、表观遗传等层面存在的差异，是肿瘤演进、耐药产生的核心驱动因素。当前研究热点包括基于单细胞测序技术解析ITH的空间分布特征、寻找能预测免疫治疗疗效的特异性生物标志物，但目前针对基因层面ITH（gene-wise ITH）的系统性分析仍较缺乏，尤其是将其与免疫治疗预后直接关联的研究存在空白，这篇文献正是针对这一问题，通过单细胞与多组学整合技术解析基因层面ITH的全景，并筛选免疫治疗预后生物标志物，为精准免疫治疗提供新工具。
2. 文献综述解析
本研究针对基因层面肿瘤内异质性与非小细胞肺癌免疫治疗预后关联的研究空白，通过整合单细胞与多组学技术构建评估体系，填补了领域内相关研究的不足。
现有针对NSCLC免疫治疗疗效预测的研究主要集中在肿瘤突变负荷（TMB）、PD-L1表达水平、微卫星不稳定性（MSI）等生物标志物，但这些标志物存在一定局限性，比如PD-L1表达受检测方法、肿瘤异质性影响，TMB的cutoff值尚未统一，且部分患者即使具有高TMB或PD-L1高表达仍无法获益。针对ITH的研究，传统bulk测序技术难以精准解析单细胞层面的基因表达异质性，早期单细胞测序研究多聚焦于细胞亚群的分类，对基因层面ITH的系统性刻画不足，且缺乏将基因ITH与免疫治疗预后直接关联的研究。
本研究的创新点在于首次通过整合多区域单细胞RNA测序数据和计算框架，构建基因层面ITH的评估体系，并筛选出低ITH基因组成的预后评分模型，填补了基因ITH与免疫治疗预后关联研究的空白，为免疫治疗疗效预测提供了新的转录组学工具，相较于传统生物标志物，该模型基于基因层面ITH的稳定性特征，具有更高的可靠性和特异性。
3. 研究思路总结与详细解析
本研究以解析非小细胞肺癌基因层面肿瘤内异质性全景、筛选免疫治疗预后生物标志物为核心目标，围绕基因ITH评估体系构建、预后模型筛选与验证、功能机制解析三个关键环节展开，形成了完整的研究闭环。
研究目标是解析NSCLC中基因层面肿瘤内异质性的全景特征，并筛选能预测免疫治疗预后的生物标志物；核心科学问题是基因层面ITH如何影响NSCLC免疫治疗疗效，以及如何基于低ITH基因构建有效的预后评分模型；技术路线为“多区域单细胞测序数据采集→基因ITH计算框架构建→低ITH基因筛选→预后评分模型构建与验证→功能机制解析”的闭环。
3.1 基因层面肿瘤内异质性评估体系构建
实验目的：建立能精准量化基因层面肿瘤内异质性的计算框架，系统性解析NSCLC中基因ITH的全景特征。
方法细节：采用多区域单细胞RNA测序（scRNA-seq）数据，结合方差和聚类指标构建整合异质性评分（IHS）计算框架，对每个基因的肿瘤内异质性进行量化评估。
结果解读：通过该框架成功绘制了NSCLC中基因层面ITH的全景图谱，发现PD-L1、LAG3、TIM-3等关键免疫检查点基因属于低ITH基因，提示这些基因在肿瘤不同区域的表达相对稳定，可能作为可靠的免疫治疗靶点。
产品关联：文献未提及具体实验产品，领域常规使用单细胞测序平台（如10x Genomics Chromium系统）、生物信息学分析软件（如Seurat、Scanpy）等。
3.2 免疫治疗预后生物标志物筛选与评分模型构建
实验目的：筛选与免疫治疗预后相关的低ITH基因，并构建能有效预测免疫治疗疗效的预后评分模型。
方法细节：利用公共数据库中的免疫治疗RNA-seq数据集，结合六种机器学习算法（如随机森林、支持向量机等）筛选与预后相关的低ITH基因，最终确定PD-L1、CDK11B、CXCL13、RPS4Y1、AKR1B10、CRLF1六个基因，构建LITHrisk评分模型，并在多个独立数据集上验证模型的预后预测能力。
结果解读：验证结果显示LITHrisk评分模型能有效预测NSCLC及其他癌症的免疫治疗预后和响应，低LITHrisk评分的肿瘤样本富集免疫反应相关通路，且T细胞、B细胞、髓系细胞等免疫细胞浸润水平更高（文献未明确提供该数据，基于图表趋势推测），提示低评分组患者具有更好的免疫治疗响应潜力。
产品关联：文献未提及具体实验产品，领域常规使用机器学习分析工具（如Python的Scikit-learn库）、公共基因表达数据库（如TCGA、GEO）等。
3.3 评分模型核心基因的功能机制解析
实验目的：解析LITHrisk评分模型中核心基因的生物学功能，及其与肿瘤微环境和免疫治疗疗效的关联机制。
方法细节：通过转录组学富集分析、体外细胞实验等方法，探究AKR1B10和CRLF1两个核心基因的功能机制。
结果解读：研究发现AKR1B10通过调控SPP1的表达参与肿瘤-免疫细胞互作，抑制抗肿瘤免疫反应；CRLF1则促进成纤维细胞富集的肿瘤微环境形成，并调控肿瘤细胞的运动能力，提示这两个基因可能成为免疫治疗联合干预的潜在靶点（文献未明确提供样本量及P值数据，基于结论表述）。
产品关联：文献未提及具体实验产品，领域常规使用细胞培养试剂、实时荧光定量PCR（qRT-PCR）试剂盒、免疫印迹（Western Blot）相关试剂等。
4. Biomarker研究及发现成果解析
本研究构建的LITHrisk评分模型是首个基于基因层面肿瘤内异质性的非小细胞肺癌免疫治疗预后生物标志物，为精准免疫治疗提供了新的评估工具。
本研究发现的Biomarker是由PD-L1、CDK11B、CXCL13、RPS4Y1、AKR1B10、CRLF1六个低ITH基因组成的LITHrisk评分模型，筛选逻辑为“多区域scRNA-seq数据构建基因ITH评估体系→免疫治疗数据集结合机器学习筛选预后相关低ITH基因→构建评分模型并在多数据集验证”的完整链条。
Biomarker来源于NSCLC患者的肿瘤组织单细胞RNA测序数据及公共免疫治疗基因表达数据集，通过整合异质性评分框架筛选出低ITH基因，再结合六种机器学习算法筛选出与免疫治疗预后显著相关的基因，构建评分模型；验证结果显示该模型能有效区分NSCLC及其他癌症患者的免疫治疗预后，低评分组患者具有更好的生存结局和免疫治疗响应（文献未明确提供ROC曲线AUC、敏感性、HR值等数据，基于结论表述）。
LITHrisk评分模型作为免疫治疗预后生物标志物，创新性地将基因层面ITH与免疫治疗预后直接关联，为NSCLC的精准免疫治疗提供了实用的转录组学工具；其中AKR1B10和CRLF1作为新的功能基因，分别参与肿瘤免疫抑制和肿瘤微环境调控，为免疫治疗联合靶点开发提供了新方向，具有重要的临床转化潜力。