做肿瘤免疫分析时，我们经常先问：
肿瘤里有多少 CD8+ T 细胞？
但这篇肝细胞癌研究换了一个问题：
这些 CD8+ T 细胞到底靠近谁？
是靠近肿瘤细胞，可能直接参与抗肿瘤反应？
还是更常靠近 CD68+ 肿瘤相关巨噬细胞，处在潜在的免疫抑制环境里？
论文的核心发现可以浓缩成一句话：
在这两个肝细胞癌队列中，CD8+T 细胞与肿瘤细胞更频繁的空间邻近，与更好的总体生存相关；而 CD8+T 细胞更常以 CD68+巨噬细胞为近邻，则更多出现在预后较差的空间表型中。
这也是空间生物学区别于普通“细胞计数”的地方：不仅要知道组织里有什么细胞，还要知道这些细胞在组织中如何排列。
研究者是怎么“看见”这些关系的？
研究使用 16-plex CODEX 多重成像分析肝细胞癌 FFPE 组织。
发现队列来自泰国 TIGER-LC，验证队列来自中国 LCI。论文最初分别对 68 和 190 个样本进行染色；质量筛选后，主要肿瘤分析保留了 58 个 TIGER-LC 肿瘤组织芯和 132 个 LCI 肿瘤组织芯。
两个肿瘤队列分别获得：
- TIGER-LC：117,270 个细胞
- LCI：465,632 个细胞
图1 从肝癌组织芯到空间网络
图中 A 展示完整分析流程：组织芯队列经过染色和质控后，完成多通道成像、细胞核分割及空间数据分析。
B 是代表性 H&E，C 是同一肿瘤组织芯的多重 CODEX 图，D 展示不同 marker 单通道和合并图。仅凭 C 中“颜色很多”，还不能得出空间结论；必须继续完成单细胞分割、表型判定和坐标记录。
第一层答案：先知道每个细胞是谁
论文用 E-cadherin、HNF4α、β-catenin 辅助识别肿瘤细胞，用 CD45 区分免疫细胞，再结合 CD3E、CD4、CD8、CD20、CD68、CD163、CD11c、CD31 等 marker 细分 T 细胞、B 细胞、巨噬细胞、树突状细胞和血管相关细胞。
TIGER-LC 肿瘤队列最终注释出 14 类细胞；LCI 队列注释出 15 类细胞。
图2 聚类只是中间结果，最后还要回到组织原位
图 A 是 117,270 个肿瘤细胞的 UMAP 聚类，图 B 用 dot plot 展示不同细胞类型的 marker 表达依据。
真正与空间分析衔接的是图 C：研究者把注释后的细胞重新映射回原始组织坐标，检查肿瘤区、免疫浸润区和血管结构是否与 CODEX 图像相符。
这一步很重要。
如果细胞分割错了、阳性阈值偏了，或者细胞类型回贴后与组织形态对不上，后面的“最近邻”和“空间互作”也会一起出错。
第二层答案：怎样才算两个细胞“靠近”？
论文没有把任意两个距离较近的细胞都叫作互作。
研究者先根据每个细胞的质心坐标建立 Voronoi 图和 Delaunay 三角网络，再把网络中相邻、且质心距离小于 40 μm 的细胞对定义为空间互作。
图3 40μm是这篇论文采用的空间定义
图 A 是 Voronoi/Delaunay 网络示意；图 B 展示所有互作细胞对的距离分布，平均距离为 15.8 μm，标准差为 6.7 μm；图 C 中绿色为 CD8+ T 细胞，黑色为肿瘤细胞，连线代表符合规则的空间邻近。
不同组织芯保留下来的组织面积不同，因此论文比较的不是简单互作次数，而是：
某类细胞互作次数 ÷ 该样本全部细胞互作次数
也就是把互作关系转换成样本层级的相对频率。
这里需要特别注意：40 μm 是这项研究的方法设定，不是所有组织、panel 和研究问题都应直接照搬的固定标准。
同样是肝癌，空间结构可以分成4类
研究者根据 TIGER-LC 患者的肿瘤-免疫互作频率进行层次聚类，得到 4 类免疫空间亚型：IC1、IC2、IC3 和 IC4。
图4 不是按单个marker分组，而是按整套空间互作模式分组
热图上半部分是 6 类肿瘤-免疫互作，下半部分是免疫细胞之间的互作。
其中：
- IC2 富集 CD8+ T 细胞-肿瘤细胞、CD4+ T 细胞-肿瘤细胞及 CD4+-CD8+ T 细胞互作
- IC1 的肿瘤细胞-CD68+ 巨噬细胞互作更高
- IC3 的肿瘤细胞-树突状细胞互作较多，但浸润性 T 细胞相对缺乏
- IC4 更突出肿瘤细胞与 B 细胞、CD163+CD68+ 巨噬细胞的互作
在有完整生存资料的 51 位 TIGER-LC 患者中，IC2 和 IC4 的总体生存优于 IC1 和 IC3。四类亚型生存分离的置换检验 p=0.027。
换句话说，患者并不是简单地被分成“免疫细胞多”和“免疫细胞少”，而是被分成了不同的免疫空间组织方式。
核心结果一：
CD8+T 细胞靠近肿瘤，与更好生存相关
在 4 类亚型中，IC2 的 CD8+T 细胞-肿瘤细胞互作频率最高，而且是生存表现最好的组。
研究者进一步按照这类互作频率，把患者分为低、中、高三组。
图5 这个结果在发现队列和验证队列中方向一致
- TIGER-LC：高互作组总体生存更好，趋势检验 p=0.0213
- LCI：高互作组总体生存更好，趋势检验 p=0.0222
TIGER-LC 的低、中、高组分别有 17、18、16 位患者；LCI 分别有 45、44、43 位患者。
论文的 Cox 回归结果还显示，CD8+ T 细胞-肿瘤细胞空间互作与生存的关联，在两个队列中均独立于年龄和性别。
这说明只报告“CD8 阳性细胞比例”可能还不够。
同样数量的 CD8+ T 细胞，如果没有真正进入肿瘤区域，或者主要停留在其他细胞构成的局部环境中，所代表的生物学状态可能并不相同。
核心结果二：CD8+T细胞靠近CD68+巨噬细胞，出现了另一种信号
论文发现，预后较差的 IC1 中也有部分患者存在较高的 CD8+ T 细胞-肿瘤细胞互作。
为什么这些患者没有表现出同样好的结局？
一个可能的线索来自 CD68+ 肿瘤相关巨噬细胞。
图6 CD8+T细胞“旁边是谁”，可能改变结果的解释
在 TIGER-LC 中，IC1 的 CD8+ T 细胞以 CD68+ 巨噬细胞为最近邻的比例高于 IC2，p=0.0003。
在 LCI 中，CD8+ T 细胞-肿瘤互作较低的组，也有更高比例的 CD8+ T 细胞以 CD68+ 巨噬细胞为最近邻，p=0.0032。
这些结果支持一种解释：某些 CD68+ 肿瘤相关巨噬细胞可能参与形成免疫抑制性的局部环境。
但必须把措辞说准确：
空间邻近只能提示潜在关系，不能单独证明巨噬细胞正在抑制某个 CD8+ T 细胞。
如果要证明功能机制，还需要功能 marker、转录信息、体外实验或其他证据。
再放大一层：免疫细胞是否形成“成片的局部邻域”？
除了分析细胞对，论文还使用 spatial-LDA，把相邻细胞的 marker 表达和空间位置共同纳入模型，在肿瘤中识别出 5 类局部微环境。
其中 Topic 4 与免疫浸润区域高度吻合。
图7 从“细胞对”升级到“免疫浸润空间邻域”
图中 Topic 4 对 CD8、CD4、CD45、CD45RA、CD45RO、CD3E、CD68、CD163、CD20 等免疫 marker 赋予较高权重，并能在组织原位勾勒出免疫浸润区域。
生存分析中：
- TIGER-LC：高 Topic 4 组呈现更好生存趋势，但未达到统计学显著，n=31，p=0.1286
- LCI：高 Topic 4 组总体生存更好，n=132，p=0.0197
这个结果也提醒我们，发现队列里的“趋势”和验证队列里的“显著关联”应分别表述，不能只挑显著结果讲。
这篇论文最值得借鉴的，不只是某个 p 值
它展示了肿瘤免疫空间分析的三个层次：
- 细胞组成：组织里有哪些细胞、各有多少？
- 细胞对关系：CD8+ T 细胞更常靠近肿瘤，还是靠近巨噬细胞？
- 局部空间结构：这些细胞是否共同形成免疫浸润邻域？
三层信息并不互相替代。
细胞比例回答“有多少”，最近邻回答“靠近谁”，空间邻域回答“形成了怎样的组织结构”。
真正有价值的空间图，不是把细胞点换成更多颜色，而是让每一张图都对应一个清楚的研究问题。
解读这项研究时，还要保留 4 个边界
- 这是回顾性队列中的生存关联，不能直接用于个体患者的临床预测
- 论文 panel 没有 FOXP3，无法进一步可靠地区分调节性 T 细胞
- 肝组织自发荧光、人工调整阳性阈值和基于细胞核的分割都可能影响表型与距离
- 40 μm 邻近不等于功能互作，代表图也不能代替患者层级统计
如果准备开展类似的肝癌多重成像研究，建议在染色前同时确认：
临床终点 + 样本量 + marker panel + 组织区域 + 细胞表型规则 + 空间邻近定义 + 患者层级统计方案
因为空间分析真正困难的地方，往往不是最后画图，而是前面的每一步能否支持最后那个问题。