文献解读|Nat Commun（15.7）：空间分辨的人类胶质母细胞瘤图谱揭示了不同解剖微环境的独特细胞和分子模式

胶质母细胞瘤（GBM）是成人最致命的原发性脑肿瘤，虽然采取了包括手术切除、放射治疗和化疗在内的强化治疗方案，其中位生存期也仅为15个月。GBM的复发及其对治疗的耐药性主要源于其显著的细胞和分子异质性。了解肿瘤异质性的产生机制及其对GBM进展的影响，对于改善患者预后和开发更有效的治疗方法至关重要。虽然已对各种细胞类型进行了分类，但恶性细胞、血管细胞和免疫细胞在人类肿瘤内部的空间组织方式仍未完全阐明。

虽然利用空间转录组学（ST）技术在探索胶质母细胞瘤（GBM）的分子异质性方面取得了显著进展，但高分辨率的细胞结构和细胞间相互作用分析仍然不足。为了构建GBM各解剖区域细胞结构的高分辨率空间图谱，研究团队对新鲜冷冻（FF）和福尔马林固定石蜡包埋（FFPE）保存的组织块分别采用了单细胞全转录组空间转录组学（Visium CytAssist）技术和亚细胞分辨率原位空间转录组学（Xenium）技术进行分析（图 1A-E）。为了全面捕捉GBM的异质性，他们分析了不同年龄组、具有不同基因组改变的患者（图 1F），并对同一肿瘤内至少两个不同解剖区域的组织切片进行了空间转录组学分析。

他们对28例GBM患者的细胞结构进行了研究（图 1F），其中包括18例GBM、5例星形细胞瘤（IDH突变型）、1例少突胶质细胞瘤（IDH突变型，1p19q共缺失）和4例其他中枢神经系统疾病（图 1A）。他们从其中25例患者中获得了互补的单细胞转录组分析(scRNA-seq)和基于测序的转录组和表位细胞索引（CITE-seq）数据，最终汇总分析了223113个细胞（图 1B）。此外，他们通过将新生成的单细胞数据与公开可用的单细胞/单细胞核转录组分析（sc/snRNA-seq）数据集进行整合，构建了GBM单细胞参考图谱，其中包含10种主要细胞类型，并进一步将其分为58种转录状态（图 1B）。此外，他们使用T平台收集了17例病例的ST数据，包括16例脑肿瘤患者（13例GBM，3例星形细胞瘤）和1例健康脑组织对照（图 1C），成功生成了一个包含来自32个组织切片的115914个独立ST斑点的综合数据集。其中，14例病例同时具有匹配的ST数据和单细胞数据。通过将参考单细胞图谱与ST数据整合，他们鉴定出与基于解剖特征（AF）的微环境相关的复发性分子特征，包括细胞类型组成和共现性（图 1D）。此外，利用近期开发的Xenium原位技术（图 1C ）对4例GBM患者进行了亚细胞分辨率的ST测序，其中包括一个包含348个基因的定制基因组合。由此，他们对155 mm2区域内的729307个细胞进行了注释。最终，他们构建了一个整合的空间分辨GBM图谱，该图谱已通过交互式网站https://github.com/nameetas/TSKGA 公开提供，以方便用户访问（图 1E-F）。

为了研究GBM核心区和外周区（peri）的细胞状态，他们对六个匹配的核心区-外周区新鲜样本进行了scRNA-seq，这些样本均在同一天处理。他们收集了223113个细胞进行scRNA-seq，并进行了批次校正，然后使用递归共识聚类（RCC）方法进行聚类。他们使用 RCC 的一级聚类结果，根据经典标记基因的表达情况，对主要细胞类型（小胶质细胞、少突胶质细胞、肿瘤细胞、髓系细胞、淋巴细胞）进行分类。然后，他们将主要细胞类型递归聚类至三级，并为每种细胞亚型或细胞状态鉴定标记基因。聚类名称指示主要细胞类型，后跟以短横线分隔的聚类编号（每个级别）或基于先前描述的细胞状态的缩写（图 2A）。值得注意的是，他们能够在新鲜处理的样本中检测到粒细胞群，这种细胞类型在大多数人类 GBM scRNA -seq公共数据集中缺失（图 2A）。为了验证恶性细胞类型的分配，他们进行了拷贝数变异 (CNV) 分析，结果证实这些细胞群的 CNV 得分显著高于非恶性细胞（图 2B）。对细胞进行递归聚类，共分为三个级别，最终识别出基质细胞和内皮细胞等细胞群，这些细胞群在GBM scRNA-seq数据中通常较为罕见（0.37%）。他们还利用CITE-seq技术对11例患者的62973个细胞上的130种细胞表面抗原进行了分析。CITE-seq分析鉴定了肿瘤及其周围微环境中免疫细胞和其他主要细胞类型的关键免疫表型标志物，观察到肿瘤细胞高表达免疫调节分子，包括CD24、CD44、CD112（PVRL2）、CD155（PVR）、CD73（NT5E）和CD274（PD-L1）（图 2C）。粒细胞高表达CD16，低表达CD14（图 2C），提示这些细胞为中性粒细胞，这与其他使用蛋白质标志物的研究结果一致。该分析提供了GBM肿瘤微环境（TME）主要细胞成分的细胞表面标志物的综合列表。

接下来，他们比较了核心样本和周围样本中细胞亚型的比例。核心样本中肿瘤细胞的比例高于周围样本（图 2D-G）。在肿瘤细胞亚群中，TC_mesnh 和 TC_prolif 细胞仅存在于核心样本中（图 2D）。对于髓系/小胶质细胞类型，树突状细胞（DC）、Mac_5_1_2（血液来源的巨噬细胞）、Mac_5_1_3（血液来源的缺氧巨噬细胞）和 Mg_prolif（增殖性小胶质细胞）在核心样本中更为丰富。相反，Mg_1_2 和 Mg_1_3（静息性小胶质细胞）在周围样本中更为常见（见图 2E）。在少突胶质细胞群中，他们发现了一种此前研究较少的亚型（Oligo_2_3_2），该亚型仅存在于除SNU46样本（肿瘤细胞比例最高、免疫细胞比例最低的样本）之外的所有六个样本的核心区域（图 2F）。该亚型表现出免疫激活特征、髓鞘相关转录本减少，并且与不良预后密切相关——这些特征在之前的胶质瘤图谱中均未描述。除调节性T细胞（Treg）外，核心区域和肿瘤周围区域的淋巴细胞亚型无显著差异，而调节性T细胞主要存在于核心区域（图 2G）。综上所述，这些发现表明，肿瘤核心区域和肿瘤周围区域细胞类型和比例的差异反映了TME和免疫反应的变异。

为了构建全面的GBM空间图谱，他们首先结合新生成的scRNA-seq数据和已发表的单细胞转录组数据，创建了一个参考单细胞图谱，这些数据包括人类成人脑snRNA-seq数据、人类脑血管细胞scRNA-seq数据、胶质瘤相关T细胞scRNA-seq数据和GBM髓系细胞富集scRNA-seq数据（图 3A）。为了在保持多样性的同时优化聚类，他们构建了一个包含36256个细胞的参考数据集，其中主要细胞类型的比例均衡（除OPC和星形胶质细胞外，每种细胞类型2000-5000个细胞），总共注释了10种主要细胞类型中的58个细胞亚型；星形胶质细胞、神经元、少突胶质细胞/少突胶质前体细胞 (OPC)、肿瘤细胞、小胶质细胞、淋巴细胞、髓系细胞、内皮细胞、成纤维细胞和周细胞。利用该参考数据集，为每种细胞亚型鉴定了高度特异性的标记物。排除了没有空间分布特异性标记物的细胞亚型，最终保留了 56 种细胞类型用于进一步分析。与公开研究中的 14 个空间元程序以及 GBmap 中最高注释级别（3 级）的 21 种细胞类型相比，他们能够定义更多的细胞状态。大多数已鉴定的状态属于血管细胞，其次是免疫细胞和少突胶质细胞。Greenwald 的研究中存在三个仅存在于空间中的恶性细胞元程序；Chromatin.reg（恶性）、Prolif.Metab（恶性）和 MES.Ast（恶性）这三个基因无法分配到对应的单一细胞类型。这些空间程序主要由血管相关细胞类型构成，而这些细胞类型通常在胶质母细胞瘤scRNA-seq数据集中丢失，除非使用其他方案进行捕获。将这些细胞类型整合到参考数据集中，他们发现 Chromatin.reg（恶性）程序与 AstroSERPINI2 相关，Prolif.Metab（恶性，与血管程序密切相关）与 gbmEndoPeri_2 相关，MES.Ast（恶性，与免疫活性相关）与 gbmFib_5 相关。

为了研究GBM 空间AF，他们生成了包含来自17例患者的32个肿瘤的ST数据，其中包括13例IDH野生型GBM患者、3例IDH突变型高级别星形细胞瘤患者以及一个作为对照的正常脑区（图 1F）。他们精心挑选了ST标本，以涵盖可通过H&E染色识别的GBM的各种AF，包括前缘（LE）、细胞肿瘤（CT）、微血管增生（MVP）和坏死周围的假栅栏状细胞（PAN）。他们首先定义了每个ST斑点的AF。他们使用了先前在Ivy GAP中建立的所有AF的标记基因集（图 3B）。除了组织学上可见的AF外，他们还使用了胶质瘤干细胞样（GSC）微环境——血管微环境（HBV_ccGSC，即表达经筛选的胶质瘤干细胞样标记物（ccGSC）的增生性血管）和缺氧微环境（PNZ_ccGSC，即表达ccGSC的坏死周围区域）——这些微环境是通过整合表达ccGSC标记物的激光捕获显微切割区域的组织学特征和转录谱而定义的。不表达任何ccGSC标记物的肿瘤区域归类为CT_control。他们进一步将LE区域划分为LE_WM（白质）和LE_GM（灰质），因为这些区域具有不同的细胞特征。

使用平均标记表达对每个斑点进行 56 种参考细胞状态的评分，然后进行二元存在/缺失分配（图 3C）。在高分辨率 H&E 图像上可视化 Ivy GAP AFs表明，AF 分配需要进一步细化，因为 HBV 和 MVP 并不总是与增生/肾小球血管重叠，而 PAN 在 H&E 图像上未显示任何可见的 PAN。这主要归因于 HBV、MVP 和 PNZ 之间存在重叠的免疫和血管特征，以及 PNZ 和 PAN 之间存在重叠的缺氧特征。他们能够利用细胞类型分配和 H&E 特征，通过引入 BV（血管）和 IGN（免疫-胶质微环境），将 AF 进一步分层为 10 种 AF（图 3D-E）。值得注意的是，正常样本点（SNU38）分类为LE_GM、LE_WM和BV等分型，而星形细胞瘤（Ast）和IDH突变型（IDHm）患者的样本点（SNU19、SNU22）则分类为LE_GM、LE_WM、BV、IT和CT（图 3F）。与之形成鲜明对比的是，GBM患者的样本点则分类到所有等分型中。他们采用拷贝数分析作为另一种方法来评估每个样本点中肿瘤细胞的存在情况。他们还使用二元分类方法计算了每个样本点中主要细胞类型的数量。此外，他们使用DINO目标检测算法在H&E染色图像上识别细胞核，从而确定每个样本点的细胞计数。正如预期的那样，CT样本点显示出最高的CNV评分、最高的细胞密度，但细胞类型多样性较低； IGN、HBV 和 MVP 以及 PNZ 的 CNV 评分较低，这是由于存在非恶性细胞类型，但细胞类型多样性最高（图 3G）。

为了评估特定细胞亚型的空间AF偏好性，他们比较了真实数据和AF随机数据中该细胞亚型的标准化表达值分布。如果真实数据的曲线下面积高于随机数据，则该细胞亚型在该AF中优先存在（图 4A-B）。

细胞亚型的空间注释揭示了GBM TME内不同程度的空间和细胞异质性（图 4C）。血管（BV）富含内皮细胞，主要由正常血管组成，主要分布于灰质（LE_GM）区域，其次是白质（LE_WM）、内皮（IT）和皮质（CT）区域。灰质（LE_GM）富含神经元、AstroPLCG1星形胶质细胞和Art2细胞，而白质（LE_WM）含有更多少突胶质细胞，特别是Oligo_2_1。随着区域从白质（LE_WM）过渡到内皮（IT），其他少突胶质细胞（Oligo_2_3_1）、反应性星形胶质细胞（AstroAQP1）和小胶质细胞的数量增加，并出现非间质性肿瘤细胞。皮质（CT）区域显示出非间质性肿瘤细胞的明显富集。免疫胶质微环境 (IGN) 中含有大量GBM相关血管细胞、反应性星形胶质细胞、成纤维细胞、淋巴细胞和髓系细胞，以及间质肿瘤细胞 (TC_mesnh)。已鉴定的 Oligo_2_3_2 亚型也存在于 IGN 中。HBV 区和 MVP 区血管细胞富集程度最高，其中 MVP 区尤其含有更多 GBM 相关周细胞 (gbmPeri, gbmEndoPeri)。PNZ 是一个富含间质肿瘤细胞 (TC_mesnh, TC_mesh)、免疫细胞和血管细胞的低氧区。相比之下，PAN（同样是低氧区）则以 TC_mesh、TC_NPC 和低氧髓系细胞为特征，在 H&E 染色中呈假栅栏状排列。从 IGN 到 HBV 再到 MVP，免疫细胞谱发生变化：小胶质细胞减少，而巨噬细胞和淋巴细胞增加。在缺氧微环境（PNZ 和 PAN）中，免疫多样性进一步下降，仅剩下巨噬细胞（图 4C）。

他们将AF与公开数据中的空间模块以及Greenwald等人定义的层进行了比较（图 4D）。反应性缺氧模块和L1层与PAN/PNZ相对应；反应性免疫模块和L2层与IGN相对应；放射状胶质细胞模块和L3层与HBV/MVP相对应；区域性OPC模块和L4层与LE_WM、IT和CT相对应；区域性NPC模块和L5层与LE_GM和BV相对应（图 4D）。Greenwald等人将他们的层描述为缺氧驱动的，并且与理解GBM从缺氧核心到脑实质的侵袭相关。然而，要解释肿瘤的扩张，可能需要对空间结构有更深入的了解。通过计算每个AF周围相邻AF的比例来分析AF之间的空间关系（图 4E）。图中排除了比例低于预期值（基于随机数据）三倍的AF对，比例至少高于随机值三倍的AF对用绿色边连接。其余AF对用蓝色边连接。自环的粗细表示AF的相对大小：LE_WM、LE_GM、IT、CT和IGN最大，其次是PAN和PNZ。血管AF——BV、HBV和MVP——穿插在这些较大的区域中（图 4E）。邻域分析揭示了一种双向线性排列：LE (L5) ↔ IT/CT (L4) ↔ PNZ/PAN (L1)。这种排列反映了GBM已知的双重行为——既具有膨胀性（形成具有缺氧核心的肿块状肿瘤），又具有侵袭性（浸润脑实质）。相比之下，血管和免疫相关的纤维环（IGN、HBV、MVP）和纤维层（L2、L3）在IT和PNZ之间分布更为弥散，并未形成清晰有序的层状结构（图 4E）。与其他层不同，L2层与Ivy GAP组织学解剖学特征不符，但与IGN相对应，IGN类似于胶质增生和纤维化。L2基因集的GO富集分析显示，伤口反应、血管发育、细胞外基质和髓鞘相关基因富集，支持IGN中存在胶质细胞、血管细胞、成纤维细胞和免疫细胞。

Visium空间转录组学的空间分辨率（55 µm）能够检测组织切片中的基因表达模式，但在解析单个细胞方面存在固有的局限性。为了弥补这一不足，他们采用了Xenium平台，该平台可提供亚细胞分辨率的转录组数据，从而实现单个细胞水平的空间分析。他们设计了一个包含348个基因的定制基因panel，涵盖所有主要细胞类型，并利用该panel生成了来自Visium队列中四名GBM患者（SNU21、SNU33、SNU18和SNU25）的Xenium数据（图 5A）。该panel能够对10种主要细胞类型及其相关状态进行空间验证，包括先前未表征的内皮细胞、周细胞和少突胶质细胞亚型。

他们首先使用半自动方法对所有细胞进行注释，最终在总面积为 155 mm² 的区域内获得了 729307 个注释细胞（图 5B-D）。来自空间单细胞数据的基因表达谱与使用 348 个 panel 基因构建的参考单细胞数据集显示出极好的相关性（图 5E）。

Xenium 数据能够分析跨越 1.2 cm 连续区域的AF。他们选取了 11 条代表性轨迹来捕捉数据中观察到的转变。网格的面积与 Visium 斑点的面积 (2376 μm²) 相匹配。他们选择了 40 个基因子集，并根据已知的 AF 特异性细胞组成，为这些网格分配 AF 标签。他们使用空间基因表达谱将 AF 分配到轨迹网格，并通过 H&E 染色图像可视化进行验证（图 6A-E）。图6B显示了每个 AF 的代表性区域，其中空间转录本叠加在 H&E 染色图像上。

其中，IGN 显示出两种截然不同的基因表达谱。一部分 IGN 网格显示出成纤维细胞和免疫细胞标志物的高表达，但缺乏神经胶质细胞特征。将这些网格标记为 IFN（免疫成纤维细胞微环境），对应于纤维化瘢痕。研究发现，纤维化瘢痕会形成免疫抑制和促肿瘤发生的微环境，从而促进胶质母细胞瘤在治疗后的复发。其余网格根据其与已注释轨迹网格的最短距离赋予 AF 标签（图 7A）。随后，他们评估了AF分配网格的细胞类型组成（图 7B-C）。正如预期的那样，AF的细胞组成与Visium数据的结果一致（图 7B-C）。AF邻域分析也揭示了与Visium数据集中观察到的相似的空间关系（图 7D）。

越来越多的证据表明少突胶质细胞在多种神经退行性疾病中发挥着关键作用。然而，少突胶质细胞多样性的确切程度及其在GBM病理学中的作用仍不清楚。在本研究中，他们在GBM中鉴定了四种不同的少突胶质细胞状态（图 2F），并确定了表征这些状态的标志物。值得注意的是，Oligo_2_3_2仅在GBM中检测到，而未在IDH突变型高级别星形细胞瘤中检测到，尤其是在肿瘤核心而非周边（图 8A）。他们在另一个数据集中也观察到了相同的结果。为了探究 Oligo_2_3_2 在GBM中的潜在作用，他们首先利用单细胞和RNA-seq数据集（图 8B）分析了 Oligo_2_3_2 与其他少突胶质细胞亚型之间的差异表达基因 (DEG)。Oligo_2_3_2 中关键上调的基因包括多种免疫相关基因，例如GSN、TUBB2B、HLA-A、ALDOA、CLU、TIMP1、S100A1、SERPINA3和NGFR（统称为 Oligo_2_3_2 基因集）。另一方面，Oligo_2_3_2 中显著下调的基因包括髓鞘相关基因，例如OPALIN、KIF19、ALDOC、PCDH9和DOCK9（统称为少突胶质细胞基因集）。GO分析显示，Oligo_2_3_2基因富集于抗原加工和呈递以及与代谢向糖酵解转变相关的术语，而少突胶质细胞基因则富集于髓鞘形成和神经投射发育（图 8C ）。他们进一步利用ssGSEA分析了TCGA 和CGGA的bulk RNA-seq数据集中这两个基因特征的富集情况。在两个数据集中，都观察到Oligo_2_3_2基因集的富集趋势：从IDH突变型、1p19q共缺失的胶质瘤到IDH突变型、1p19q非共缺失的胶质瘤，再到IDH野生型胶质瘤。类似地，观察到少突胶质细胞基因集的富集趋势相反。

为了在单细胞分辨率下研究 Oligo_2_3_2 相关标记基因的空间组织，他们分析了 10 倍 Xenium 数据集。与单细胞数据一致，他们在 Xenium 数据中发现，肿瘤核心区域存在SERPINA3、HLA-A、TUBB2B、TIMP1、CLU、HLA-DRA和S100A1高表达、 OPALIN转录本低表达的少突胶质细胞群，这与单细胞数据一致（图 8D-E）。为了鉴定与 Oligo_2_3_2 基因集共定位的细胞类型，分析了 Visium 和 Xenium 数据集。Visium 数据集的相关性分析表明，除免疫细胞和基质细胞特征外，与其他肿瘤细胞亚型相比，TC_mesnh 特征与 Oligo_2_3_2 基因高度共表达（图 8F）。利用更高分辨率的Xenium数据，他们发现TC_mesnh和Mac_5_1_2细胞位于90%的Oligo_2_3_2细胞周围20 µm半径范围内。相比之下，Mg_1_3和正常内皮细胞（Endo_cap）与Oligo_2_1细胞紧密相邻。总之，Oligo_2_1与正常脑细胞类型[包括Mg_1_3（非活性小胶质细胞）、周细胞和内皮细胞（正常内皮细胞）]的空间关联更为紧密。相反，Oligo_2_3_2则更靠近TC_mesnh（肿瘤性间充质非缺氧细胞）、Mg_1_1（活性小胶质细胞）、Mac_5_1_2以及胶质母细胞瘤相关的基质细胞和内皮细胞。有趣的是，Oligo_2_3_2 与 TC_mesh（肿瘤间充质缺氧细胞）细胞在空间上并不接近。他们的 Visium ST 数据显示 TC_mesh 和 Oligo_2_3_2 特征表达互斥。Greenwald 等人使用包含 40 个标记物的抗体组（CODEX）在单细胞蛋白水平上表征了肿瘤细胞状态的空间组织，尤其是在缺氧背景下。他们对来自 12 个样本的 428395 个细胞进行了注释。该分析鉴定了所有主要的分化非恶性细胞类型，包括星形胶质细胞、少突胶质细胞、神经元、血管细胞、T细胞、B细胞和巨噬细胞/小胶质细胞，以及关键的恶性细胞状态，例如MES样细胞（TC_mesnh）、MES-Hyp细胞（TC_mesh）、染色质调节细胞、OPC样细胞（TC_OPC）、NPC样细胞（TC_NPC）和AC样细胞（TC_AC）。他们的标记物组合中没有用于识别不同少突胶质细胞亚型的标记物，但能够观察到，在坏死且TC_mesh细胞数量较多的GBM核心样本中，少突胶质细胞几乎不存在或极少，这证实了缺氧区域中少突胶质细胞的耗竭。

为了探究GBM相关Oligo_2_3_2标志物的临床意义，他们分析了多个公开数据集，包括scRNA-seq和转录组数据以及相关的临床结局。为了评估少突胶质细胞和Oligo_2_3_2基因集评分在已建立的临床和分子参数背景下的预后价值，使用TCGA（n  = 603）和CGGA（n  = 1018）胶质瘤队列进行了多变量Cox比例风险回归分析。模型纳入了年龄、IDH突变和1p/19q共缺失状态以及MGMT启动子甲基化状态，以及这两个转录特征（图 9A）。在TCGA和CGGA队列中，Oligo_2_3_2基因集评分均与良好的预后显著相关，而Oligo_2_3_2基因集评分则与较差的总生存期密切相关。这些关联性始终保持一致，且不受关键临床变量的影响，包括年龄、IDH突变/1p19q共缺失状态以及MGMT启动子甲基化，凸显了这些转录程序在胶质瘤中独特的预后意义。虽然多变量Cox回归增强了预后分析，但在RNA-seq数据集中，要完全区分IDH相关的转录效应和亚型特异性基因程序仍然具有挑战性，并且无法完全排除残余混杂因素的影响。

随后，他们利用TCGA和CGGA数据库，根据少突胶质细胞和Oligo_2_3_2基因特征的表达水平，将患者分为四组，评估了这些基因特征的预后意义。分析结果显示，Oligo_2_3_2基因集高表达而少突胶质细胞基因集低表达的患者生存预后显著较差，而少突胶质细胞基因集高表达而Oligo_2_3_2基因集低表达的患者预后最佳（图 9B）。进一步根据IDH突变状态和1p/19q共缺失状态对患者进行分层后，观察到一致的趋势，这凸显了这些基因集在分子定义的胶质瘤亚组中的预后相关性（图 9B）。他们分析了来自匹配的原发性（TP）和复发性（R1）胶质瘤的转录组-seq数据（GLASS数据集），以确定复发时Oligo_2_3_2基因特征的动态变化。ssGSEA评分表明，在IDH突变型、1p/19q共缺失型和IDH野生型样本中，Oligo_2_3_2上调的基因在复发性胶质瘤中均表现出表达增加（图 9C）。此外，在IDH野生型肿瘤中，MGMT启动子未甲基化的复发样本显示出Oligo_2_3_2基因集的表达升高，提示其可能与治疗耐药性和肿瘤复发相关。在Abdelfatteh等人的数据集中，他们在单细胞水平上观察到了这一现象，即在未甲基化的复发性肿瘤中Oligo_2_3_2的发生率更高。

本研究展示了一个空间分辨的多模态人类胶质母细胞瘤图谱，该图谱整合了组织切片上的基因表达谱以及亚细胞分辨率的单细胞和蛋白质测量数据。利用一个包含348个基因的靶向基因panel（富集血管和基质标志物），鉴定出一些特征描述较少的内皮细胞、血管周围细胞和成纤维细胞样细胞状态，并阐明了它们与恶性细胞和免疫细胞的空间关联。此外，本研究还发现了一种独特的少突胶质细胞群，该细胞群局限于肿瘤核心和血管周围区域，其基因表达模式与肿瘤复发和不良临床预后相关。该公开可访问的图谱为研究胶质母细胞瘤的空间组织提供了高分辨率框架，并突出了可能代表治疗可操作弱点的区域特异性细胞相互作用。