在顱內腫瘤的世界里，膠質母細胞瘤（Glioblastoma, GB）是當之無愧的“王者”，以其高度侵襲性和近乎必然的復發率令醫患束手無策。其頑固性的背后，一個被稱為腫瘤微環境（Tumor Microenvironment, TME）的復雜生態系統扮演了關鍵角色。這是一個以髓系免疫細胞（特別是巨噬細胞和小膠質細胞）為主、淋巴細胞匱乏的高度免疫抑制性環境，充滿了空間和時間上的巨大異質性。然而，面對這個“黑箱”，科學家們卻面臨著“工具不一，結果難斷”的尷尬局面。免疫組化、高通量測序、甲基化分析……各種先進的免疫表征技術層出不窮，但每種方法都像拿著一面不同的鏡子去照同一個物體，得出的影像（即細胞組成和豐度）常常大相徑庭。這嚴重阻礙了我們對GB免疫景觀的精準理解，也掣肘了旨在激活免疫系統的精準治療策略的開發。為了撥開這層迷霧，一項發表在《Journal of Cancer Research and Clinical Oncology》上的研究，開啟了一場前所未有的、橫跨多種主流技術的“方法學大比拼”，旨在為描繪GB的免疫“地圖”建立一套更可靠、可比的“測繪標準”。

研究者們巧妙地設計了一項綜合性研究。他們從同一批患者身上獲取了配對的、經病理確診的IDH野生型原發性和復發性GB樣本，共計72份樣本來自36名患者。隨后，他們對這些樣本進行了“五維”分析：包括基于蛋白質水平的免疫組化（IHC）和多重免疫熒光（mIF）染色與評估，引入了人工智能（AI）驅動的自動化圖像分析管道，以及基于分子水平的DNA甲基化譜分析和批量RNA測序（RNA-seq）。其中，mIF因其可同時檢測多種蛋白標記并保留空間信息，被確立為細胞定量的“金標準”，用以驗證和比較其他方法的準確性。通過這種橫跨成像與計算、蛋白與核酸的多平臺策略，研究團隊系統評估了不同方法之間的一致性、細胞類型分辨率以及捕捉TME在疾病進展中動態變化的能力。

研究系統比較了圖像分析和計算反卷積方法在配對原發GB（pGB）和復發GB（rGB）中的應用。所有圖像分析均在來自同一石蠟包埋塊的連續切片上進行，而分子分析則取材于腫瘤細胞高密度區域。組織學比較發現，與pGB相比，rGB樣本包含顯著更高比例的反應/吸收區域、纖維化和正常腦實質，而壞死比例降低，這提示復發腫瘤的組織結構發生了重塑，可能影響后續分析。

在所有圖像定量技術中，髓系細胞是pGB和rGB腫瘤微環境中最豐富的免疫細胞類型。常規光鏡評估與AI定量方法在T細胞、B細胞和髓系細胞的量化上顯示出中度至極強的顯著相關性。其中，CD163⁺單核/巨噬細胞在pGB和rGB中均顯示出最高的一致性。以mIF為基準的比較發現，在pGB中，mIF與常規及AI方法在淋巴細胞和CD163⁺細胞量化上相關性很強；然而，在rGB中，所有細胞類型與mIF的相關性均有所下降，凸顯了復發背景下免疫定量面臨的更大挑戰。

DNA甲基化和RNA測序反卷積均確認巨噬細胞、單核細胞和小膠質細胞是TME中最主要的細胞類型。然而，這兩種計算反卷積方法僅在pGB的髓系細胞定量上顯示出強相關性，而在B細胞、T細胞定量上相關性弱或不顯著。這表明不同的分子反卷積方法在解析特定免疫亞群時存在固有差異。

跨方法比較顯示，在pGB中，基于CD163的巨噬細胞/單核細胞量化在mIF、AI管道和常規方法間具有極強的一致性，DNA甲基化反卷積也與這些蛋白水平方法有較好關聯。相比之下，RNA測序反卷積與其他方法的相關性較弱。對于B細胞和T細胞，圖像學方法間通常有較好一致性，但DNA甲基化反卷積的估計值與其他方法（尤其是圖像學方法）相關性很差，在pGB中甚至呈負相關。總體而言，巨噬細胞/單核細胞在不同腫瘤狀態和方法間的一致性最高，而淋巴細胞的定量則在不同平臺間表現出更大的變異性。

基于同一反卷積框架（如GBMdeconvoluteR）比較pGB與rGB的相對差異發現，除巨噬細胞在rGB中更豐富外，大多數細胞類型的豐度無顯著差異。DNA甲基化反卷積也支持細胞組成在表觀遺傳水平上大體穩定。然而，轉錄組差異表達分析揭示了深刻的分子重編程：rGB樣品中與神經傳遞、突觸活動和免疫信號相關的基因顯著上調，這提示復發腫瘤的微環境發生了顯著的神經免疫交互重塑。

mIF分析確認，在配對樣本中，rGB的CD3⁺T細胞、CD8⁺T細胞和CD163⁺巨噬細胞浸潤顯著高于pGB。根據免疫標志物浸潤水平（高 vs 低）對樣本進行分層后的轉錄組分析發現，高浸潤樣本（尤其是高CD163）上調了免疫反應、炎癥和細胞外基質重塑相關基因；而低浸潤樣本則富含神經元信號、突觸相關基因。這揭示了免疫浸潤水平與截然不同的腫瘤生物學程序相關聯。

對骨髓來源巨噬細胞和腦 resident 小膠質細胞特征基因的分析顯示，高免疫浸潤（高CD3、CD8、CD163）的樣本中，與粘附、遷移和信號傳導相關的巨噬細胞基因表達上調。小膠質細胞特征基因在所有腫瘤中廣泛表達，但其表達模式也與免疫浸潤程度存在一定關聯，進一步說明了髓系細胞在GB TME中的異質性與可塑性。

將樣本按治療反應（疾病進展 vs 穩定）分層后，未觀察到CD3⁺、CD8⁺T細胞或CD163⁺巨噬細胞浸潤水平的顯著差異，盡管rGB中CD163⁺細胞在穩定疾病狀態下有降低趨勢，這凸顯了患者間巨大的異質性。

縱向分析顯示，大多數匹配對中，rGB的CD8⁺T細胞、CD163⁺巨噬細胞和CD3⁺T細胞浸潤增加。同時，配對樣本的DNA甲基化譜分析揭示了亞類轉換（如向“間充質”亞型轉換）、特征性+7/-10染色體改變的不穩定性，以及MGMT啟動子甲基化狀態的變化，這表明復發伴隨著顯著的遺傳和表觀遺傳進化。

本研究通過多平臺整合分析，深刻揭示了當前GB免疫表征領域的方法學挑戰與生物學洞見。核心結論是，不同技術平臺在量化GB TME免疫細胞時存在顯著差異，這種差異在復發性腫瘤中尤為突出。在所有被評估的細胞類型中，單核/巨噬細胞譜系憑借其豐度高、形態清晰、標志物表達強等特點，成為各方法間一致性最高的細胞群體，證實了其在GB免疫抑制微環境中的核心地位。相比之下，T細胞的定量在不同方法間，尤其是在圖像學與分子反卷積方法之間，表現出最大的變異性和最低的一致性。B細胞的定量也顯示出類似問題，DNA甲基化反卷積由于參考標記物（CD19）與常用蛋白標記物（CD20）的發育階段差異，與圖像學方法結果嚴重不符。

研究強調了導致這些差異的多重原因。首先，rGB在組織學上發生了顯著重塑（纖維化增加、壞死減少），這影響了抗體滲透和染色質量，增加了分析難度。其次，分子層面的異質性與進化（如DNA甲基化亞類轉換、染色體改變不穩定）使得基于固定參考譜的反卷積方法準確性下降。更重要的是，不同方法探測的是生物學過程的不同層面：蛋白檢測方法反映的是蛋白質的積累，而RNA測序捕捉的是瞬時的基因表達，二者之間常因轉錄后調控而相關性較弱。

這項研究的意義在于，它首次系統性地繪制了多種主流免疫分析方法在GB這一復雜體系中的“一致性地圖”和“盲區地圖”。它不僅警示研究者直接比較不同研究、不同方法得出的免疫細胞數據時需要極度謹慎，更重要的是為未來研究指明了方向。作者倡導建立一個整合性、方法學認知的框架：對于臨床樣本分析，應考慮采用AI驅動的腫瘤區域精準分割，以排除非腫瘤組織的干擾；在面對復雜或模棱兩可的病例時，應采用整合空間蛋白組學、單細胞分析和計算反卷積的多模態策略。最終，使免疫表征技術與GB動態演變的微環境相匹配，將為開發更精準、有效的免疫療法奠定堅實的方法學與生物學基礎。