AI 辅助的纳米医学揭示卵巢癌转移中的全身免疫影响

卵巢癌的免疫逃逸此前多停留在确定分子的层面：肿瘤细胞高表达PD-L1与上皮内CD8+T细胞数量呈负相关，这类患者预后显著更差^[3]；CD24则通过与巨噬细胞表面Siglec-10结合而逃逸吞噬，被视为卵巢癌中占主导的天然免疫检查点^[2]。另一条线索来自对42例未治疗高级别浆液性卵巢癌患者共160个肿瘤位点的整合分析，显示突变过程与解剖部位共同塑造肿瘤灶的免疫图景^[1]。但这些认识大多落在肿瘤局部微环境与已知分子上，对于循环中的免疫细胞，占主体的大宗癌细胞与关联化疗耐药、复发和免疫逃逸的肿瘤干细胞（CSC）是否经由可溶性因子对它们产生不同影响，以及这种差异能否被检出，一直不清楚。

这项研究正是从这一问题出发：将外周血单个核细胞（PBMC）分别与OVCAR4卵巢癌细胞及源自OVCAR4的CSC富集群放入间接Transwell系统共培养48小时，只允许可溶性因子交换而无直接接触，随后在镀金镍基底上采集表面增强拉曼光谱（SERS），并用主成分分析、t检验和线性支持向量机加以解析。结果显示两组PBMC呈现彼此可分的光谱轮廓，支持向量机区分二者的交叉验证准确率达98.9%；接触CSC的PBMC腺嘌呤与碳水化合物信号更高，接触OVCAR4者蛋白质与脂质信号更高，而肿瘤细胞自身在基线时也呈现同样的格局；在最具区分力的十条谱带中，有六条为肿瘤细胞比较与PBMC比较所共享，且变化方向一致。

机器学习辅助的拉曼光谱此前已被用于卵巢癌细胞亚型的分类^[4]，这项工作则把分析对象从肿瘤细胞转向了免疫细胞。与以往经由PD-L1^[3]、CD24^[2]等确定分子和肿瘤局部免疫景观^[1]刻画肿瘤—免疫相互作用的路径相比，其推进之处在于表明肿瘤来源的可溶性因子无需直接接触即可在PBMC上留下可区分的生化印记，且大宗癌细胞与CSC造成的印记各有指向、与肿瘤细胞自身生化特征的变化方向一致，由此为研究肿瘤—免疫通讯和开发基于血液的卵巢癌监测手段提供了一条免标记的读出路径。

当然，目前的证据仍来自单一OVCAR4细胞系的体外间接共培养模型，尚待在真实患者血液中检验；究竟是哪些可溶性因子造成谱差异，腺嘌呤与碳水化合物同蛋白质与脂质的差异积累对免疫细胞意味着怎样的功能后果，也仍是悬而未答的问题。