头颈部鳞状细胞癌（HNSC）是全球第六大常见癌症，主要影响口腔、咽喉和喉部[1]。研究发现，约25%-30%的HNSC患者与人乳头瘤病毒（HPV）感染相关，HPV阳性病例通常表现出较好的治疗反应和生存率[2]。然而，HPV阴性的HNSC病例通常更具侵袭性，并常伴随免疫逃逸机制，间接导致肿瘤进展和患者对免疫治疗的抗性。
在这里，我将和大家分享一篇2025年2月
发表在《npj precision oncology》杂志上的探讨HPV阴性HNSC的相关研究[3]。该研究结合了癌症基因组图谱（TCGA）数据集与头颈部鳞状细胞癌患者的病理染色信息，采用深度学习方法构建了一个配体-受体风险模型。此模型旨在预测肿瘤微环境中配体-受体相互作用与患者临床风险之间的关联，从而提供一个以生物学和空间信息为导向的临床结果预测工具。
图1：论文首页
一、主要结果
1、基于配体-受体特征的HPV阴性HNSC预后风险模型
研究者从TCGA-HNSC中分析了395例HPV阴性的HNSC患者的Bulk RNA数据集。通过最佳分割阈值识别出150对与患者总体生存期（OS）和无进展生存期（P
FS）显著相关的配体-受体对，其中52对配体-受体被归为不利于患者的生存；98对配体-受体被归为对患者生存有利。
使用随机森林生存模型及Lasso-Cox回归模型进一步对这些显著性配体-受体对进行优化和选择，最终筛选出与患者预后最为相关的14个配体-受体对，这些配体-受体构成了该风险模型的评估基础。根据该模型评估的风险等级，患者的总体生存被划分为高风险组和低风险组。生存分析结果显示，这两个组之间存在显著差异。进一步将肿瘤大小、淋巴结转移以及是否接受放化疗等混杂因素纳入模型分析，结果仍然显示高风险组与低风险组之间的生存差异显著。这表明该模型的稳定性不受肿瘤分期和治疗方式的影响，具体结果如图2所示。
图2：基于14对配体-受体的预后风险模型构建
2、预后风险模型下的分子表现与敏感性
为了深入解析不同预后风险群体患者的分子动态表现机制，研究者进行多组学分析比较低风险患者与高风险患者之间的全基因组变化情况。拷贝数变异分析（C
NV）显示，高风险群体相较低风险群体中，8p和12p缺失及11p扩增现象显著，而肿瘤突变负荷（TMB）在不同风险组之间未表现出显著差异。
此外，高风险群体中TP53突变频率相对更高；相对的在低风险群体中RELN、NSD1、CASP8等体细胞突变频率相对更高。差异基因分析结果也发现了多个配体-受体对归类在对应的差异基因列表中（|Log2FC|≥1；FDR≤0.05）。基因集富集（GSEA
）结果显示高风险群体显著富集在细胞外基质重塑、TGF-beta等信号通路中。药物敏感性分析中发现六种对高风险患者表现出不同IC50的药物，包括络氨酸酶抑制剂、TGF-beta抑制剂等，结果如图3所示。
图3：高风险分组下的分子动力学和药敏性分析
3、预后模型相关配体-受体对的细胞和空间分布
研究者进一步想从单细胞数据集中探究预后相关的核心配体-受体对的细胞分布情况，于是分析了34个患者来源的共计超过10万个HNSC细胞的单细胞基因表达数据集，共识别鉴定出了8种主要的细胞类型，可被分为免疫细胞和间质细胞两大类。
在低风险群体的单细胞数据集中，配体-受体对之间的相互作用主要在髓系细胞与T,B
细胞之间，而在高风险群体中则主要富集在上皮细胞、成纤维细胞和内皮细胞之间。其中IL1A-IL1RAP的相互作用主要出现在高风险群体中的髓系细胞与上皮细胞之间，这一发现也在后续的将单细胞转录组映射到空间组织中的分析结果中进一步得到了证实，如图4所示。
图4：预后模型相关配体-受体对的细胞分布状况
4、基于病理染色图像的高风险分级策略
在基于配体-受体对的有效预测风险模型开发及分析中，研究者设想设计一种更加简单直观的预后分类模型，该模型基于组织病理染色。为了确定病理区域的划定是否有助于提升深度学习模型的表现，研究者们利用ResNet50模型从图像中提取病理特征，并通过主成分分析（PCA）将特征维度浓缩到32个维度。最终，使用K-Means聚类算法将图像特征聚类为六个类别。其中，簇0和簇2代表靠近肿瘤组织的间质区域；簇1为肿瘤组织；簇3和簇4被归类为基质和肌肉组织；簇5则被分类为肿瘤侵袭的边缘区域，如图5所示。
图5：基于病理染色图像的分级策略
5、弱监督深度学习中的病理染色分级模型效果验证
采用神经卷积网络模型（CNN）架构的基于病理染色图像的分级模型中，虽能准确识别出簇3和簇4，但是风险分层中的准确性有所降低。为了保证模型的准确性，研究者排除了簇3和簇4对图像模型的贡献，重点关注肿瘤和相邻基质区域的图像特征对风险分层的影响。
研究者将
348个病例来源的360例HE染色切片被随机分为训练组和测试组，比例为8:2。为进一步观测模型的表现，对测试集中的高风险肿瘤图像进行检查。在这些样本中，被预测为高风险的区域表现出肿瘤与内皮细胞之间的相互作用以及肿瘤与基质之间的相互作用。Grad-CAM热图突出显示了血管浸润和基质侵袭部位集中出现的高风险区域，这些是与较差临床结果相关的侵袭性肿瘤表型的标志，如图6所示。
图6：全组织区域高风险患者图像的病理特征识别模式
相
对的，对于正确预测为低风险患者的肿瘤病理图像进行分析后，研究者们发现其形态特征表现为侵袭性较低，尤其是角化现象明显。角化现象是高度分化肿瘤的典型标志，表明其组织区域存在明显的免疫细胞浸润，反映其存在活跃的抗肿瘤反应。Grad-CAM热图能进一步突出显示这些特征，如图7所示。
图7：全组织区域低风险患者图像的病理特征识别模式
二、小结
总而言之，本研究通过整合多组学数据、单细胞
RNA 测序及空间转录组数据，构建了一种基于配体-受体对表达的 HPV 阴性 HNSC 预后风险分级模型。此外，研究者开发了一种结合病理染色与深度学习的临床分级模型，该模型能够精准识别相关的组织病理特征并自动划定感兴趣区域，不仅提升了预后评估的准确性，还减少了病理学家对信息的手动输入需求，从而优化了临床环境中的时间和资源配置。
然而，本研究仍存在一定局限性，其中之一便是缺乏对独立队列肿瘤样本中识别出的高风险配体-受体对的直接实验验证。未来研究应采用多重免疫荧光等技术进一步验证这些发现，并深入探讨其空间分布及生物学意义。
参考文献
[1]
BRAY F, FERLAY J, SOERJOMATARAM I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries [J]. CA Cancer J Clin, 2018, 68(6): 394-424.
[2] JOHNSON D E, BURTNESS B, LEEMANS C R, et al. Head and neck squamous cell carcinoma [J]. Nat Rev Dis Primers, 2020, 6(1): 92.
[3] FENG B, ZHAO D, ZHANG Z, et al. Ligand-receptor interactions combined with histopathology for improved prognostic modeling in HPV-negative head and neck squamous cell carcinoma [J]. NPJ Precis Oncol, 2025, 9(1): 57.
