肝癌这个可怕的 “杀手”，在全球癌症舞台上十分猖獗。它是癌症相关死亡的第三大 “元凶”，也是第六大常见癌症。其中，肝细胞癌（HCC）占据了所有肝癌病例的 80 - 85%。尽管手术切除是一种治疗手段，但复发率仍然很高，而且无法切除的患者面临的治疗选择很有限，预后较差。

在 HCC 的发展过程中，有一群 “帮凶” 起着关键作用，那就是癌症相关成纤维细胞（CAF）。它们大量存在于肿瘤微环境（TME）中，通过分泌各种细胞因子、趋化因子和生长因子，全力支持癌细胞存活。不仅如此，CAF 还会 “耍心眼”，改变免疫环境，抑制免疫效应细胞，招募免疫抑制细胞，让癌细胞轻松逃脱免疫系统的追捕。可以说，成纤维细胞在肿瘤微环境重塑中，影响着肿瘤生长、转移、治疗抵抗和免疫逃逸各个环节，就像为癌细胞生长提供了肥沃的 “土壤”。

然而，以往对 HCC 中 CAF 的研究，就像在黑暗中摸索。不仅样本量少，间充质细胞中的壁细胞（由周细胞和平滑肌细胞组成）还时不时出来捣乱，干扰研究结果，导致无法全面、清晰地了解 CAF。所以，了解肿瘤微环境中成纤维细胞的多样性，就成了医学研究的当务之急，这对预测患者预后、指导治疗策略意义重大。

为了揭开 CAF 的神秘面纱，南开大学医学院等机构的研究人员在《Journal of Translational Medicine》期刊上发表论文。他们成功找到了三种肝细胞癌中的成纤维细胞亚群，还揭示了它们在肿瘤里不同的分布位置、分化轨迹，发现了 VEGFA + CAF 亚群和患者生存预后的关系。这些结果为 HCC 患者的个性化治疗带来了新希望。

研究人员在这场探索之旅中，用到了不少 “厉害武器”。他们整合了单细胞 RNA 测序（scRNA-seq）、空间转录组学（ST）和批量 RNA 测序（bulk RNA-seq）技术。这三种技术相互配合，为研究提供了全面的数据支持。此外，他们还运用了多种生物信息学分析方法，还通过构建机器学习模型来预测患者预后和治疗反应 。

HCC 中成纤维细胞的分离

研究人员首先分析了 89 个与 HCC 相关的样本，包含 78 个 HCC 样本和 10 个癌旁肝脏样本。经过一系列严格的质量控制，他们得到了 587,954 个细胞。在这个过程中，他们发现了 7 种细胞类型，包括 B 细胞、T/NK 细胞、内皮细胞等。

可研究到这里，遇到了一个难题：间充质细胞里的成纤维细胞和壁细胞很难区分。研究人员先是研究了一些标志物基因的表达情况，效果不太理想。后来，他们综合前人的研究成果，找到了新的特异性基因标志物，这才成功把成纤维细胞和壁细胞区分开来，为后续研究奠定了坚实基础。

三种成纤维细胞亚型及其空间分布

经过仔细研究，研究人员把发现队列里的成纤维细胞分成了三个亚群，分别命名为 HLA-DRB1 + CAF、MMP11 + CAF 和 VEGFA + CAF。这三个亚群各有特点，通过 HLA-DRB1、MMP11 和 VEGFA 这些基因的表达水平就能区分它们。在验证队列里，虽然因为成纤维细胞数量有限，分类结果有点小差异，但总体也证实了这三种亚群的存在。

研究人员还对这些亚群进行了功能分析。HLA-DRB1 + CAF 主要和抗原呈递相关，就像免疫系统的 “情报员”，把抗原信息传递给免疫细胞；MMP11 + CAF 在细胞外基质结构和胶原蛋白原纤维形成方面发挥着重要作用，帮助构建肿瘤的 “框架”；VEGFA + CAF 则与缺氧反应通路密切相关，能促进血管生成，为肿瘤的生长和转移提供充足的养分。而且，研究发现 MMP11 + CAF 在生成 ECM 方面能力最强，HLA-DRB1 + CAF 次之，VEGFA + CAF 最弱。

他们接着分析了这三种成纤维细胞亚型在不同组织中的分布情况。结果发现，HLA-DRB1 + CAF 和 MMP11 + CAF 在正常组织里比较常见，而 VEGFA + CAF 和 MMP11 + CAF 在肿瘤组织里更 “活跃”。具体来说，HLA-DRB1 + CAF 在肿瘤组织里几乎看不到，VEGFA + CAF 则主要集中在肿瘤内部，MMP11 + CAF 大多分布在肿瘤边缘。

CAF 的细胞状态转变轨迹推断

研究人员利用 Slingshot 和 Monocle2 对 CAF 亚型的细胞轨迹进行了推断。结果发现，HLA-DRB1 + CAF 就像 “干细胞”，是祖细胞状态，它会逐渐分化成 MMP11 + CAF，而 VEGFA + CAF 处于分化的末期。

在这个过程中，他们还发现，正常组织里的成纤维细胞大多处于分化早期，肿瘤组织里的则处于分化后期，这表明在肿瘤发生和发展过程中，正常成纤维细胞可能会慢慢变成肿瘤相关成纤维细胞。而且，通过分析不同分化阶段的基因表达和相关通路，他们发现分化模块和 VEGFA + CAF 亚型密切相关，还和肿瘤组织特有的缺氧环境有关。

VEGFA + CAF 与预后不良相关

研究人员发现，VEGFA + CAF 和 HCC 患者的预后不良有着紧密联系。他们用 Scissor 分析发现，Scissor + 细胞在 VEGFA + CAF 里特别多，和患者总生存期（OS）较短有关；而 Scissor - 细胞在 MMP11 + CAF 里更常见，和总生存期较长相关。

进一步分析发现，VEGFA + CAF 里的 Scissor + 细胞高表达 VEGFA 基因。通过对大量数据的分析，比如用 CIBERSORTx 量化成纤维细胞亚群的丰度，进行 Cox 回归分析和绘制 Kaplan-Meier 生存曲线，都证实了 VEGFA + CAF 是影响患者总生存期的关键因素，而且在多个外部数据集中也得到了验证。

VEGFA + CAF 与 CapEC 之间的细胞通讯促进 HCC 的血管生成

VEGFA + CAF 不仅和预后有关，还在肿瘤血管生成中发挥着重要作用。研究人员在分析内皮细胞后发现了 6 种类型，其中肿瘤组织富含 CapEC（毛细血管内皮细胞）和 pEC（增殖内皮细胞）。

他们还发现，VEGFA + CAF 和 CapEC 在肿瘤样本里有明显的共定位现象，而且它们之间通过 VEGF 通路进行着密切的通讯。这种通讯会增强 CapEC 的血管生成能力，促进肿瘤的发展和转移，就像给肿瘤的生长和扩散 “开了绿灯”。

利用 VEGFA + CAF 中高表达基因通过机器学习预测肝癌患者的预后和治疗决策

基于前面的研究，研究人员认为 VEGFA + CAF 可以作为预测肝癌预后和治疗选择的新生物标志物。他们选了 VEGFA + CAF 里 15 个高表达基因作为标志物基因给患者打分，发现 VEGFA + CAF 得分高的患者总生存期和无复发生存期都更短，而且和肿瘤分期也有关系，分期越高，得分越高。

研究人员还构建了机器学习模型来预测患者预后和对索拉非尼（sorafenib）的治疗反应。结果发现，StepCox [forward] + Enet 这个模型组合预测预后的准确性最高，LogiBoost 模型预测患者对索拉非尼治疗反应的能力最强，这为肝癌患者的精准诊断和个性化治疗提供了有力工具。

总的来说，研究人员通过这项研究，发现了 HCC 中的三种成纤维细胞亚群，它们在肿瘤里有着不同的分布位置和功能。其中，VEGFA + CAF 主要分布在肿瘤内部，与患者的生存预后密切相关。缺氧的肿瘤微环境可能是诱导 VEGFA + CAF 产生的主要原因，它通过和 CapEC 的细胞通讯促进血管生成，帮助肿瘤生长和转移。而且，基于 VEGFA + CAF 高表达基因构建的机器学习模型，能准确预测肝癌患者的预后和对索拉非尼的治疗反应，这为肝癌的精准诊断和个性化治疗带来了新的希望。不过，目前研究还有一些局限，比如预测治疗反应的模型还需要进一步探索和验证。