肿瘤里的T细胞越多，患者结局就一定越好吗？

一项整合5项研究、773例高级别浆液性卵巢癌样本的空间分析发现：真正拉开差异的，可能不只是T细胞数量，而是CD8⁺ T细胞在组织中如何分布。

同样是T细胞浸润，空间形态可以完全不同

论文Figure 1给出了两个直观样本。Sample A中的T细胞较稀疏、局部聚集不明显；Sample B则能看到多个密集聚集区。研究者进一步把图像转换成细胞坐标图：肿瘤与间质用不同点型表示，CD3⁺和CD8⁺ T细胞用颜色标出。

图1｜两例NECC样本的原始mIF图像。Sample A为低聚集示例，Sample B为高聚集示例。仅凭“亮点多不多”很难完整描述免疫细胞的空间状态。图源：Sakitis et al., bioRxiv, 2026, Fig.1；CC BY 4.0；由PDF内嵌原图提取。

这一步很重要。图像中的“看起来成团”被转换成可计算的空间点模式，才能与其他样本、不同队列和生存结局进行比较。

为什么不只选一个距离半径？

常见空间分析会先规定一个距离，例如“50 μm内有没有邻居”。这种方法容易解释，但答案可能依赖预先选定的半径：细胞在20像素尺度上成团，不代表它在80像素尺度上仍然成团。

该研究没有只取单一半径，而是用最近邻G函数描述5–100像素范围内的连续聚集轨迹，再用功能主成分分析（FPCA）把整条曲线压缩为少量特征。这样保留了“空间关系会随尺度变化”的信息，也减少了任意选定一个距离阈值带来的限制。

通俗地说：研究者比较的不再是一个孤立的空间数值，而是一条“从近到远，T细胞如何聚集”的曲线。

图2｜从原始mIF图像，到细胞坐标，再到多尺度聚集轨迹的完整转换过程。图源：Sakitis et al., bioRxiv, 2026, Fig.1；CC BY 4.0；由PDF内嵌原图提取。

结果一：普通T细胞不能简单归纳为“越多越好”

研究分别在五个队列中建立经年龄和分期调整的Cox模型，再使用随机效应Meta分析合并结果。对于CD3⁺ T细胞：

·高丰度相对于低丰度的主效应为HR 1.08（95%CI 0.82–1.43）；

·低聚集相对于高聚集的主效应为HR 1.23（95%CI 0.88–1.72）；

·丰度与聚集的交互项为HR 0.62（95%CI 0.41–0.93）。

前两个主效应的置信区间均跨过1，不能据此宣称“只要T细胞更多”或“只要更分散”就能带来显著生存获益。交互项提示，丰度的意义会随空间聚集状态而变化；但进一步按四种组合比较时，普通T细胞各组并未达到统计学显著。

图3｜CD3⁺ T细胞的队列别与合并效应。森林图需要联合阅读主效应与交互效应，不能只截取某一个HR。图源：Sakitis et al., bioRxiv, 2026, Fig.2；CC BY 4.0；由PDF内嵌原图提取。

结果二：CD8⁺ T细胞“多而分散”的组合最突出

CD8⁺ T细胞的单独主效应同样不稳定：高丰度主效应为HR 0.81（95%CI 0.59–1.11），低聚集主效应为HR 0.84（95%CI 0.49–1.43），置信区间均跨过1。

真正拉开差异的是组合分析。论文以“低丰度＋高聚集”为参照，得到：

低丰度＋高聚集：参照；—

高丰度＋高聚集：0.81（0.59–1.11）；未显示明确获益

▌核心发现  高丰度＋低聚集：0.46（0.34–0.61）；与更低死亡风险相关

低丰度＋低聚集：0.84（0.49–1.43）；未显示明确获益

也就是说，“细胞多”本身还不够；在这批数据中，CD8⁺ T细胞既多、又呈较低聚集的样本，才表现出最清晰的生存优势。

图4｜CD8⁺ T细胞的丰度、空间聚集和交互效应森林图。不同队列之间存在差异，尤其空间主效应存在异质性，因此合并结果仍需谨慎解释。图源：Sakitis et al., bioRxiv, 2026, Fig.3；CC BY 4.0；由PDF内嵌原图提取。

生存曲线把组合效应表现得更直观

调整年龄与分期后的模型预测曲线显示：普通T细胞的四条曲线分离有限；而在CD8⁺ T细胞中，“高丰度＋低聚集”的绿色曲线与其他三组明显分开。

这里的“低聚集”不等于细胞随机、也不等于所有局部聚集都是坏事。局部聚集可能对应免疫反应热点、三级淋巴结构或其他组织结构。论文计算的是特定尺度范围和算法定义下的统计聚集程度，不能用肉眼看到“成团”就直接推断预后。

图5｜调整后的模型预测生存曲线。A为CD3⁺ T细胞，四组分离有限；B为CD8⁺ T细胞，高丰度＋低聚集组的分离最明显。曲线来自统计模型，不是未经调整的Kaplan–Meier曲线。图源：Sakitis et al., bioRxiv, 2026, Fig.4；CC BY 4.0；由PDF内嵌原图提取。

“低聚集”为什么可能对应更好的结局？

一种可能的解释是：如果大量T细胞只集中在少数局部区域，总体计数仍然可以很高，但肿瘤其他区域可能缺少免疫覆盖；相对分散的CD8⁺ T细胞则可能意味着更广泛的肿瘤穿透和免疫监视。

但这仍是基于空间关联的生物学解释，不是论文直接证明的机制。研究没有证明“把聚集的细胞打散”能够改善生存，也没有证明低聚集必然意味着更强功能。细胞活化、耗竭、邻近细胞类型和肿瘤区室等信息，仍需与空间模式共同分析。

对空间病理研究设计的启发

这篇论文真正值得借鉴的，不只是一个HR，而是一套分析思路：

1.计数之后继续看空间。 同样的细胞丰度可能对应完全不同的组织结构。

2.保留区室信息。 肿瘤巢内、间质和边缘区域的免疫细胞不能简单混为一谈。

3.避免只依赖单一半径。 条件允许时，可检查多个空间尺度或连续轨迹。

4.把丰度与空间特征放进同一模型。 有交互项时，优先解释组合效应，而不是孤立主效应。

5.控制患者层级与队列差异。 同一患者的多个ROI并非独立样本，多队列分析还要考虑异质性。

6.先确认取样代表性。 TMA和局部ROI未必能代表整个肿瘤，空间结论尤其容易受取样范围影响。

泰立瑞能如何支持这类研究？

泰立瑞围绕数字病理和空间生物学研究，提供从图像定量到空间统计的分析支持。针对类似课题，可结合QuPath及泰立瑞相关工具与服务，协助完成组织与细胞分割、细胞表型判定、肿瘤/间质区室划分、丰度统计、邻域与聚集分析、多尺度空间特征提取，以及适合论文展示的结果图整理。

如果你正在处理多重免疫荧光、成像质谱、CODEX或空间组学数据，希望把“细胞有多少”推进到“细胞在哪里、与谁相邻、空间结构是否关联临床结局”，欢迎关注泰立瑞并私信交流。具体分析方案需要根据染色面板、图像质量、样本设计和研究假设单独确定。

▌研究提醒  这是一项尚未经同行评议的观察性预印本；空间关联不等于因果，也不能用于个体预后判断。

有图像分析需求，欢迎添加微信

微信号｜igiveyes

小红书号｜泰立瑞空间组学

关注我们解锁 · 多重免疫荧光图像分析 · 干货