文献来源：Lin J, Chen C, Li S, et al. Spatial and single-cell characterization of human glioblastoma tumor microenvironment reveals malignant cellular communities. Nature Neuroscience. 2026; doi:10.1038/s41593-026-02265-5. PMID: 41992007.

研究团队：中国科学技术大学 瞿昆团队

一、研究背景与设计

胶质母细胞瘤（GBM）是成人最常见且致死率最高的原发性恶性脑肿瘤，中位生存期仅约15个月。其高度侵袭性与治疗抵抗性，很大程度上源于肿瘤微环境中复杂且异质的细胞组成与空间排布。传统单细胞测序虽能解析细胞异质性，但缺乏空间定位信息；单纯空间转录组则受分辨率限制，难以精确识别细胞类型。本研究通过整合多组学技术，系统构建了GBM微环境的空间结构全景图谱。

研究纳入100例原发性GBM患者，整合121个组学数据profile，涵盖多个技术平台：

二、核心发现：四大恶性细胞群落（CCs）

研究团队利用自主研发的空间转录组整合分析算法SPACEL（Nature Communications 2023），通过Splane模块联合分析32张ST切片，鉴定出10个空间域（D1–D10）。其中D9、D10为瘤周区域（CNV水平低，富集正常神经元、星形胶质细胞等），D1–D8为恶性区域，进一步聚类为4个在不同患者间保守存在的恶性细胞群落（Cellular Communities, CCs）：

上述分类经多轮原位杂交（ISH）在单细胞分辨率下验证，细胞组成与10x Visium数据高度一致。

Figure 1研究设计和四大细胞社区的发现

100例患者、121个profiles、4大技术平台整合，鉴定出25种细胞类型，通过cell2location和SPACEL识别10个空间域，最终聚类为4个保守的细胞社区。

三、MES-like肿瘤细胞的双亚型分化与空间异质性

研究在18,139个MES-like肿瘤细胞中鉴定出两个功能与空间分布显著不同的亚群：

3.1 MES-Hyp（缺氧型）

空间定位：主要富集于CC-1（缺氧核心区）

分子标志：ADM、NDRG1、VEGFA、CA9等缺氧响应基因高表达

细胞互作：与TAM5-GPNMB巨噬细胞显著共定位（P = 4.3×10⁻⁹）

功能机制：通过释放VEGFA等分子诱导TAM表型转变，促进肿瘤发展

3.2 MES-Ast（血管相关型）

空间定位：广泛分布于CC-1、CC-2、CC-4

分子标志：COL1A2、COL1A1、GFAP、LIF、IL11高表达

细胞互作：与内皮细胞/周细胞显著共定位

功能机制：通过释放TGF-β2促进肿瘤血管重塑

Figure 2：MES-like双亚型：缺氧型 vs 血管型

18,139个MES-like细胞经Leiden聚类分析，鉴定出MES-Hyp（缺氧型）和MES-Ast（血管型）两个功能迥异的亚型。ISH实验验证了两者的空间分布特征。

3.3 亚型转化的动态轨迹

scRNA-seq与scATAC-seq联合拟时序分析揭示：MES-Ast→MES-Hyp→AC-like的转化轨迹，且以MES-Ast向MES-Hyp的单向转化为主。

患者来源GBM类器官（GBO）实验证实，缺氧环境可驱动MES-Ast向MES-Hyp转化，Notch信号在该过程中发挥关键调控作用。

Figure 3 ：肿瘤细胞时空动态转化

四、TAM5-GPNMB的极化调控机制

GBM微环境中肿瘤相关巨噬细胞（TAM）占免疫细胞的81.5%。研究将其分为5个亚群，其中TAM1–TAM4高表达稳态小胶质细胞标志基因（TMEM119、CX3CR1），提示来源于小胶质细胞；TAM5-GPNMB高表达单核细胞来源脑巨噬细胞标志基因（CD163、TGFBI）及GPNMB，提示来源于外周血单核细胞。

极化轨迹：通过Palantir算法在转录组与染色质可及性两个层面追踪，发现清晰的单核细胞→TAM5-GPNMB分化轨迹。scATAC-seq分析（6,736细胞，11例患者）鉴定出9个关键转录因子（包括SREBF1、CEBPA、MAFB等），其motif偏差分数在空间转录组数据上与TAM5分布高度吻合。

Figure 4 ：TAM5-GPNMB极化调控：单核→巨噬的黑化之路

6,736个scATAC-seq细胞经Palantir追踪发现9个关键转录因子（SREBF1, CEBPA等）调控单核→TAM5分化，与M2极化密切相关。GPNMB是TAM5的标志分子。

功能意义：GPNMB高表达的TAM可将髓鞘来源脂质转移到邻近MES样肿瘤细胞，促进肿瘤增殖和复发。TAM5-GPNMB与单核细胞显著富集于CC-1。

五、细胞群落特异的互作网络

研究整合CellChat配体-受体数据库与COMMOT最优传输算法，结合空间距离约束，推断各CC的细胞间通讯网络，并经PhenoCycler多重免疫荧光实验验证。

Figure 5 ：各CC细胞间通讯网络

CellChat+COMMOT分析发现每个CC有独特的通讯密码，PhenoCycler 21抗体多重免疫荧光实验验证了关键LR配对。

Figure 6 ：Patch-seq验证神经元-OPC-like突触连接

7例GBM患者的21个细胞中，10个sEPSC+细胞全部为OPC-like。GSEA分析证实突触后信号与细胞增殖显著正相关。

神经元与OPC-like肿瘤细胞通过突触黏附分子（NRXN-NLGN家族）及GDF11等信号直接互作。Patch-seq分析（7例患者，21个细胞）发现，10个记录到自发兴奋性突触后电流（sEPSC）的细胞全部为OPC-like肿瘤细胞。GSEA分析证实突触后信号通路与细胞增殖显著正相关。

OPC-like肿瘤细胞高表达PDGFRA和CSPG4，这些基因与突触功能密切相关，提示其继承了正常OPC与神经元互动的社交属性。

图文：陈锦钰

参考文献

[1] Lin J, Chen C, Li S, et al. Spatial and single-cell characterization of human glioblastoma tumor microenvironment reveals malignant cellular communities[J]. Nature Neuroscience, 2026. doi:10.1038/s41593-026-02265-5. PMID: 41992007.

[2] Neftel C, Laffy J, Filbin MG, et al. An integrative model of cellular states, plasticity, and genetics for glioblastoma[J]. Cell, 2019, 178(4): 835-849.e21. doi:10.1016/j.cell.2019.06.024.

[3] Hu J, Li H, Li S, et al. SPACEL: deep learning-based characterization of spatial transcriptome architectures[J]. Nature Communications, 2023, 14: 7603. doi:10.1038/s41467-023-43271-3.

[4] Korsunsky I, Millard N, Fan J, et al. Fast, sensitive and accurate integration of single-cell data with Harmony[J]. Nature Methods, 2019, 16(12): 1289-1296. doi:10.1038/s41592-019-0619-0.

[5] Kleshchevnikov V, Shmatko A, Dann E, et al. Cell2location maps fine-grained cell types in spatial transcriptomics[J]. Nature Biotechnology, 2022, 40(5): 661-671. doi:10.1038/s41587-021-01139-4.

[6] Jin S, Guerrero-Juarez CF, Zhang L, et al. Inference and analysis of cell-cell communication using CellChat[J]. Nature Communications, 2021, 12: 1088. doi:10.1038/s41467-021-21246-9.

[7] Cang Z, Zhao Y, Nie Q. Screening cell–cell communication in spatial transcriptomics via collective optimal transport[J]. Nature Methods, 2023, 20(9): 1326-1335. doi:10.1038/s41592-023-01928-4.

[8] Wang X, Park J, Susztak K, et al. Bulk tissue cell type deconvolution with multi-subject single-cell expression reference[J]. Nature Communications, 2019, 10: 380. doi:10.1038/s41467-018-08023-x.

[9] Biancalani T, Scalia G, Buffoni L, et al. Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram[J]. Nature Methods, 2021, 18(11): 1352-1362. doi:10.1038/s41592-021-01264-7.

[10] Venkataramani V, Tanev DI, Strahle C, et al. Glutamatergic synaptic input to glioma cells drives brain tumour progression[J]. Nature, 2019, 573(7775): 532-538. doi:10.1038/s41586-019-1564-x.

[11] Venkatesh HS, Morishita W, Geraghty AC, et al. Electrical and synaptic integration of glioma into neural circuits[J]. Nature, 2019, 573(7775): 539-545. doi:10.1038/s41586-019-1563-y.

[12] Osswald M, Jung E, Sahm F, et al. Brain tumour cells interconnect to a functional and resistant network[J]. Nature, 2015, 528(7580): 93-98. doi:10.1038/nature16071.