上一篇，我们讨论了研究 TLS，为什么不能只看“有没有”和“有多少”？：数量只能告诉我们检测到了多少结构，空间位置、细胞组成和功能状态，才决定这些结构应该怎样解释。

这一篇不再重复 TLS 的基础定义和完整识别流程，只聚焦一个更具体的问题：

同样检测到 TLS，为什么还要量它离肿瘤有多远？

■ 200μm是分析分界线，不是生物学定律

在 Markovits 等 2025 年发表的头颈鳞癌空间研究中，作者计算了 TLS 内所有细胞到最近肿瘤区域的平均距离，并用 200 μm 进行分组：

• 平均距离不超过 200 μm，定义为肿瘤邻近 TLS（ta-TLS）；
  

• 平均距离超过 200 μm，定义为远端 TLS（d-TLS）。

最终共有 26 个肿瘤邻近 TLS 和 14 个远端 TLS 被纳入比较。

这里最值得注意的不是“200”这个数字本身，而是距离的定义。论文计算的是TLS 内全部细胞到最近肿瘤区域的平均距离，而不是 TLS 外轮廓到肿瘤边界的一条最短直线。

两种算法回答的问题并不相同。一个体积较大的 TLS 可能有一部分紧贴肿瘤、另一部分远离肿瘤；如果只看最短距离，它会被描述为“很近”，但平均距离可能呈现另一种空间关系。

因此，200 μm 应理解为这篇论文的分析方案，而不是所有癌种和项目都能直接采用的通用阈值。

■ 离肿瘤更近，不等于免疫一定更强

比较肿瘤邻近 TLS 与远端 TLS 后，论文发现：如果只看细胞类型比例，显著差异并不多。最明确的组成差异是肿瘤邻近 TLS 中 podoplanin 阳性基质细胞（PPSC）比例更高，为 1.2% 对 0.04%（p=0.02）。

更明显的区别出现在细胞状态层面：

·肿瘤邻近 TLS 中，活化 B 细胞、浆细胞以及部分活化基质细胞状态更加丰富；

·肿瘤邻近 TLS 中还观察到更多 ICOS+ Treg；

·远端 TLS 中则观察到更多 CD4+ 巨噬细胞。

这组结果不能被简化成“越靠近肿瘤越好”。邻近 TLS 中既出现活化 B 细胞和浆细胞，也出现具有免疫调节作用的 ICOS+ Treg。距离提供的是组织背景，真正的功能解释仍然要回到细胞组成、marker 状态和患者分组。

图源：Markovits 等，Journal of Translational Medicine，2025，Fig. 5F，CC BY 4.0，裁切自原图。前两行为肿瘤邻近 TLS，后两行为远端 TLS；每组分别展示 HPV 阳性和 HPV 阴性样本。图像用于呈现空间位置与细胞状态的组合差异，不代表单个图像即可判断功能。

■ “距离分组”和“HPV 分组”是两个不同的比较轴

这篇论文同时研究了两个问题：

1.肿瘤邻近 TLS 与远端 TLS 是否不同；

2.HPV 阳性与 HPV 阴性肿瘤中的 TLS 是否不同。

这两个比较不能混为一谈。前者以空间距离分组，后者以患者肿瘤的 HPV 状态分组。

论文的细胞组成图首先比较了 HPV 阳性与 HPV 阴性 TLS 的细胞类型比例。图中每一个黑点代表一个 TLS，而不是一名独立患者；因此，即使图上出现显著差异，也需要回到患者层级谨慎解释。

图源：Markovits 等，Journal of Translational Medicine，2025，Fig. 5D，CC BY 4.0，裁切自原图。红色为 HPV 阳性，蓝色为 HPV 阴性；纵轴为每个 TLS 中相应细胞类型的比例。该图比较的是 HPV 分组，不是邻近/远端分组。

随后，作者又分别在肿瘤邻近 TLS 和远端 TLS 内比较 HPV 阳性与阴性的细胞状态。火山图上半部分对应 ta-TLS，下半部分对应 d-TLS；横轴右侧表示相应状态在 HPV 阳性组相对更高，左侧表示在 HPV 阴性组相对更高。

在肿瘤邻近 TLS 中，HPV 阳性样本更常见 CD21+ B 细胞、CD19+ 浆细胞、ICOS+ CD4 Treg 和 CD45RO+ 记忆 T 细胞等特征；HPV 阴性样本则更多出现内皮细胞、粒细胞、C1Qa+ 巨噬细胞以及 PD-1 相关细胞状态。远端 TLS 中也能看到 HPV 相关的状态差异，但具体 marker 和细胞类型组合并不完全相同。

图源：Markovits 等，Journal of Translational Medicine，2025，Fig. 5E，CC BY 4.0，裁切自原图。上图比较 ta-TLS 内的 HPV 阳性与阴性状态，下图比较 d-TLS 内的 HPV 阳性与阴性状态。该图不是直接比较 ta-TLS 与 d-TLS。

■ 自己做 TLS 距离分析，建议保留四层结果

1. 先保存连续距离

不要一开始就只保存“邻近”或“远端”两个标签。连续距离可以展示真实分布，也便于后续检查不同阈值下结论是否稳定。

2. 明确距离从哪里量到哪里

可以计算 TLS 轮廓到肿瘤轮廓的最短距离，也可以计算 TLS 内所有细胞到最近肿瘤区域的平均距离。选用哪种算法，应由研究问题决定，并在方法中写清楚。

3. 对阈值做敏感性分析

如果项目准备使用 100、200 或 300 μm 等阈值，建议比较不同阈值下 TLS 分组数量、关键细胞比例和统计结果是否发生明显变化。阈值变化后结论完全反转，通常意味着需要更加谨慎地解释。

4. 回到患者层级统计

一名患者可能贡献多个 TLS。把每个 TLS 都当作完全独立的样本，可能放大显著性。结果至少应同时说明 TLS 数、切片数和患者数，并根据研究设计考虑患者内聚类或分层模型。

■ 距离不是终点，而是连接图像与机制的中间变量

TLS 距离分析需要一条完整的工作链：

图像质控 → 细胞分割与表型 → 肿瘤/TLS 区域识别 → 距离计算 →

 组成与状态比较 → 患者层级统计

泰立瑞可围绕已有多重免疫荧光图像，协助评估细胞分割、表型规则、TLS 区域识别、肿瘤邻近分析以及结果整理。能否进一步讨论 TLS 成熟度或免疫功能，仍取决于 marker panel、图像质量、样本量和研究设计。

如果你正在规划 TLS 项目，建议先准备四项信息：组织类型、研究问题、marker panel、希望复现的目标图表。先判断数据能够回答什么，再决定如何定义 TLS 和空间距离。

■ 结尾

同样检测到 TLS，不代表它们处于相同的免疫生态。

距离可以告诉我们 TLS 出现在哪里，却不能单独告诉我们它在发挥什么作用。真正有价值的解释，需要把连续距离、细胞组成、功能状态和患者分层放在同一个空间框架中。

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