题目: 单细胞分辨率的细胞因子免疫反应词典
DOI: https://doi.org/10.1038/s41586-023-06816-9 (opens new window)
Cite:Cui, A., Huang, T., Li, S. et al. Dictionary of immune responses to cytokines at single-cell resolution. Nature (2023).

作者介绍：

Nir Hacohen
Broad Institute of MIT and Harvard, Cambridge, MA, USA
nhacohen@mgh.harvard.edu

Abstract:

细胞因子介导免疫系统中的细胞间通讯，是重要的治疗靶点。大量研究强调了它们在免疫功能中的核心作用，但我们缺乏每种免疫细胞类型对每种细胞因子的细胞反应的全面了解。为了解决这一空白，我们创建了免疫词典，这是超过 17 种免疫细胞类型的单细胞转录组谱概要，这些免疫细胞类型对体内小鼠淋巴结中 86 种细胞因子（> 1,400 种细胞因子-细胞类型组合）中的每一种做出反应。以细胞因子为中心的字典视图表明，大多数细胞因子诱导高度细胞类型特异性的反应。基于这本字典，我们开发了配套软件“免疫反应富集分析”，用于根据基因表达数据评估细胞因子活性和免疫细胞极化，并应用它来揭示免疫检查点阻断治疗后肿瘤中的细胞因子网络。我们的字典产生了细胞因子功能的新假设，阐明了细胞因子的多效性效应，扩展了我们对每种免疫细胞类型激活状态的了解，并提供了一个框架来推断特定细胞因子和细胞间通讯网络在任何免疫反应中的作用。

Main:

细胞因子是一大类小型分泌蛋白，通过与靶细胞上的同源受体结合而局部或全身发挥作用，进而触发下游信号传导并协调免疫系统细胞类型之间的活动。基于细胞因子的疗法和细胞因子拮抗剂用于治疗多种疾病，包括癌症和自身免疫。然而，大量的免疫细胞类型和细胞因子以及复杂的细胞反应使得阐明体内对细胞因子的免疫反应具有挑战性。

Results:

Figure 1: Generation of a scRNA-seq dictionary of gene expression signatures in more than 17 immune cell types in response to each of 86 cytokines in vivo.

Figure 1. 生成超过 17 种免疫细胞类型的基因表达特征的 scRNA-seq 字典，以响应体内 86 种细胞因子中的每一种。

(a) 实验和计算工作流程示意图。
(b) 细胞因子刺激后或无刺激（PBS 对照）后从淋巴结收集的所有细胞的t分布随机邻域嵌入（t -SNE）图，按细胞类型身份着色。
(c) PBS或细胞因子处理后已确定的细胞因子应答基因的表达水平的小提琴图。
(d) 与PBS对照相比，细胞因子刺激后4小时每种细胞类型的总体转录组反应水平的定量表示。

Figure 2: Cytokines induce cell-type-specific transcriptomic responses.

Figure 2. 细胞因子诱导细胞类型特异性转录组反应。

(a) 相对于 PBS 对照，每种细胞类型对 IFNβ、IL-1β 和 TNF 的最高 DEG 的热图。
(b) 每次细胞因子治疗后的 DEG 数量。
(c) 在IFNα1和IFNβ（顶部）或IL-1α和IL-1β（底部）处理相对于PBS对照的情况下，共表达基因组成的基因程序（GPs）被上调。

Figure 3: Cytokines drive diverse polarization states in each cell type.

Figure 3. 细胞因子在每种细胞类型中驱动不同的极化状态。

(a-n) 针对每种细胞类型显示的细胞均匀流形近似和投影 (UMAP) 图。
(o) 通过细胞因子或 PBS 处理着色的 UMAP 图，用于f中所示的极化状态的主要细胞因子驱动因素。
(p) 细胞因子或PBS处理后所选标记基因的表达水平的小提琴图。

Figure 4: Cytokine production map by cell type.

Figure 4. 按细胞类型划分的细胞因子产生图

(a) 所研究的 86 种细胞因子的行归一化基因表达热图。基因编码的蛋白质名称在括号中。
(b) 散点图，显示PBS 处理的对照淋巴结中每种细胞类型的丰度（以 log 10为单位）与表达的细胞因子基因数量。
(c) 显示 FRC 和 cDC1 细胞的细胞因子介导的细胞间相互作用组。

Figure 5: IREA enables the inference of cytokine activities, immune cell polarization and cell–cell communications based on transcriptomic data.

Figure 5. IREA 能够根据转录组数据推断细胞因子活性、免疫细胞极化和细胞间通讯。

(a) 细胞因子反应推断的问题陈述。
(b) IREA 软件输入和输出的插图。
(c-e) 相对于对照抗体治疗而言，抗 PD-1 治疗后从肿瘤微环境中的细胞收集的 scRNA-seq 数据的 IREA 分析输出示例。c，IREA雷达图，显示图3中描述的巨噬细胞、NK细胞和CD8 + T细胞极化状态的富集。d，IREA细胞因子富集图，显示抗PD-1治疗后NK细胞中86种细胞因子反应中每一种的富集分数(ES)。e，推断由细胞因子介导的细胞间通讯网络。

Discussion

我们对细胞因子的体内免疫反应词典实现了细胞因子网络的高分辨率视图，这表明细胞因子反应的复杂性和免疫细胞的可塑性比以前认识的要大得多。即使是单一细胞因子，例如 IL-1β，也可以在每种细胞类型中引发不同的反应，从而产生协调的多细胞免疫反应。扩展了巨噬细胞极化的早期发现，我们系统地识别了每种免疫细胞类型中细胞因子诱导的极化状态，从而突出了免疫细胞对环境线索的可塑性反应的一般特性。我们创建了细胞因子反应和细胞因子-受体表达图谱，并使用它们衍生出细胞-细胞相互作用组，该相互作用组说明了免疫细胞彼此相互作用的多种方式以及稀有细胞类型在免疫细胞-细胞通讯中的作用。最后，我们介绍了 IREA，一种在已收集基因表达数据的任何免疫过程中推断细胞因子活性、免疫细胞极化和细胞间通讯网络的方法。

Important points

1.炎症细胞因子白细胞介素-1β (IL-1β) 在几乎每种细胞类型中都会诱导不同的基因程序。
2.白细胞介素 18 诱导的多功能自然杀伤细胞状态。
3.我们还证实了成熟的细胞因子反应基因的强劲上调，例如响应TNF的Tnfaip3 、响应IL-4的Il4i1 、响应IFNβ的Isg15。
4.一些细胞因子诱导一种或少数细胞类型发生显着变化，例如 NK 细胞上的 IL-18、pDC 上的 IL-3 和 MigDC 上的 GM-CSF。
5.(1) 中性粒细胞上调趋化因子和炎症基因，如Cd14 (GP27)，这与它们作为第一反应者的作用一致；(2) MigDCs 和 Langerhans 细胞上调迁移程序，包括Ccr7 (GP12)；(3) T reg细胞诱导可介导免疫抑制的Hif1a和Ctla4 (GP22)。
6.IL-2、IL-12、IL-15 和 IL-18 在 NK 细胞中诱导Ifng （编码 IFNγ），这可能反过来刺激B 细胞、DC 和巨噬细胞强烈表达 IFNγ 特征。
7.IFNγ 诱导“Mac-b”状态，过度表达 M1 相关促炎基因（例如Cxcl9和Cxcl10）。IL-4 和 IL-13 诱导了一种独特的“Mac-e”状态，这种状态不是由这些促炎基因标记的，而是由Chchd10、Glrx和Retnla标记的。
8.IL-1α 和IL-1β 增加Ccr7的表达，GM-CSF 和IL-1 家族细胞因子诱导Nr4a3上调，这在DC 迁移中起关键作用。