NMSC Spatial Multi-omic Atlas — 免疫抑制非黑素瘤皮肤癌的空间多组学图谱

INFOBOX — NMSC Spatial Multi-omic Atlas 一屏速览

维度	内容
本质	NMSC（BCC + cSCC）免疫抑制 vs 免疫正常肿瘤微环境的空间多组学资源，两层 GEO 记录
主锚记录	GSE306129（spatial ATAC，28 样本，38 GiB）｜GSE316922（scRNA-seq，36 样本，1.6 GiB）
同研究另三条	GSE306130（Xenium，95 GiB）｜GSE318638（scTCR-seq，14 MB）｜GSE308361（scMultiome，22 GiB）
团队	UT MD Anderson 领衔，协作 Cleveland Clinic / AtlasXomics / Moffitt / 休斯顿大学
论文	Cell 2026;189(19):6170–6188.e9；PMID 42556334；doi:10.1016/j.cell.2026.07.031
临床队列	138 例 / 150 份标本（55 IC + 83 IS）；5 年 OS 33.3% vs 68.8%
核心结论	免疫细胞数量基本不减，减的是"功能与排布"：瘤内 CD68+ 巨噬细胞密度下降、抗原呈递缺陷、空间生态位重构
机制锚点	MAF 驱动的 CD68+ TAM（IC 富集）↔ CUX1 炎症成纤维细胞（IS 富集）↔ ATF3 程序
获取	GEO 公开直链（无需申请）；raw 序列 GSE306129 明确未发
许可	GEO 数据使用政策｜论文 Elsevier 版权所有（非 CC）；PMC 作者稿免费
库内互链	GEO（rid 42）、CZ CELLxGENE（38）、HuBMAP（517）、Spatial Touchstone（1104）、杏仁核空间图谱（1200）

这个数据集要回答的是一类"反直觉的临床谜题"：器官移植受者、血液肿瘤患者等免疫抑制（immunosuppressed, IS）人群得非黑素瘤皮肤癌（non-melanoma skin cancer, NMSC）的风险是常人 65–250 倍，预后也差得多，但把他们挡在免疫检查点抑制剂（immune checkpoint inhibitor, ICI）临床试验门外的那句"免疫功能不全"，在肿瘤微环境里究竟长什么样？MD 安德森团队用单细胞、空间转录组、多重免疫荧光与空间表观基因组四条线一起看，得到的答案是：肿瘤里的免疫细胞并没有明显变少，变的是它们"站哪儿"和"说什么"——瘤内巨噬细胞密度掉了、抗原呈递程序坏了、T 细胞克隆扩增被压扁了，而成纤维细胞在空间上把 T 细胞围了起来。

导语读法三则：

1. 只想下数据：直奔 §6。两条主锚记录都在 GEO 公开直链，但 GSE306129 高达 38 GiB 且 raw 序列缺失，要先算磁盘、再算预期。
2. 想学生物学：直奔 §4。结论链条是"密度下降 → 亚群重排 → 克隆多样性收缩 → 生态位被围"，四步缺一不可。
3. 想做方法或复现：直奔 §5 与 §3。空间 ATAC 的 tixel、DBiT-seq 的 50 通道微流控、Xenium 的 350 基因定制 panel，是这份资源真正的技术骨架。

§0 导读：这个数据集解决什么问题

NMSC 是美国人最常见的恶性肿瘤，其中 cSCC 是第二常见亚型，也是更具侵袭性的那一型。紫外线、高龄、浅肤色是公认风险因素，而免疫抑制被论文列在"关键风险因素"之列：实体器官移植受者发生 cSCC 的概率是免疫正常者的 65 至 250 倍。另一方面，晚期 cSCC 近年越来越多地用 ICI 治疗，疗效不错；但对长期免疫抑制的病人，全身性 ICI 有严重不良事件与移植物排斥的风险，而这类人群恰恰缺少安全性与有效性数据，于是被系统性地排除在试验之外。

问题在于：排除的理由建立在"这些人免疫力差"的直觉上，而"差"在肿瘤微环境里意味着什么，此前并不清楚。此前的范式假设是——IS 患者的肿瘤里免疫细胞更少，或者 T 细胞功能受损。本研究直接检验这个假设，结论是假设不成立：两大组的免疫细胞组成与相对比例没有统计学差异，CD4+、CD8+、B 细胞的密度也没有显著差异。真正出现差异的，是髓系细胞的空间位置、巨噬细胞的转录程序、T 细胞的克隆多样性，以及它们在组织里彼此靠近的方式。

这份资源的三种用法：

1. 作为"免疫抑制肿瘤"的参照图谱：任何想在皮肤、头颈或其他器官里研究"用药后免疫状态改变"的团队，都可以把这里 IC/IS 的空间生态位差异当作先验。
2. 作为空间表观基因组的方法范本：本文是 DBiT-seq 平台在人体肿瘤上的规模化应用之一，其 tixel 级染色质可及性 + Xenium 基因表达的整合流程有完整代码与 38 GiB 原始 processed 数据。
3. 作为免疫治疗设计的证据基础：论文据此提出"局部先天免疫激活"路线（瘤内先天免疫激活剂、溶瘤病毒 T-VEC、肿瘤疫苗），这条路线是否成立，可以从这份数据自行检验。

§1 数据集速览：十问十答

Q1：这个"数据集"到底是几条记录？
两条主锚：GSE306129（空间 ATAC，28 个 GSM）与 GSE316922（scRNA-seq，36 个 GSM）。同一篇 Cell 论文还挂了 GSE306130（Xenium 空间转录组）、GSE318638（scTCR-seq）、GSE308361（scMultiome）三条，它们同属一个研究，但不是本条目主锚——引用时务必写清是哪一条。

Q2：两条主锚记录是不是同一批病人的不同组学层？
是同一个研究、同一个课题组、同一篇论文的两条记录，但不是同一批样本的配对测序。GSE316922 是 CD45+ 富集的单细胞转录组（30 例患者、36 个样本）；GSE306129 是空间 ATAC（按 GEO 文字 14 例患者 16 个样本，按 GSM 计数 28 个样本）。两条记录可以做跨平台对照，但不能当作"同一张切片、同一细胞、两种组学"的配对数据。

Q3：样本量到底多少？
论文总队列 138 例患者 / 150 份标本（55 IC、83 IS）。落到测序层：scRNA-seq 36 样本 / 30 例 / 226,170 个细胞；空间 ATAC 论文写 14 样本（7 IS + 7 IC）；Xenium 81 个核 / 45 例；mIF 主队列 + Cleveland Clinic 外部验证 54 例。每个数字都要带修饰语，因为不同模态的"样本"含义不同。

Q4：GSE306129 的 28 个样本怎么来的？
论文口径的 14 样本（cohort 1）加上第二队列 12 样本（cohort 2，IS=9 / IC=3，BCC=4 / cSCC=8），合计 26 与 28 仍差 2——样本标题显示 Cohort 1 有 16 条、Cohort 2 有 12 条，正好 28。因此"16 + 12 = 28"是最符合 GSM 计数的解释，但 GEO 的 overall design 文字没有同步更新。这是本条目最重要的一条存照（见坑 1）。

Q5：空间 ATAC 是什么技术？
用 DBiT-seq（deterministic barcoding in tissue sequencing，组织确定性条码测序），在 AtlasXomics 的 Portal50 商业一代平台上跑 50 通道微流控。组织被行列微流控通道交叉切成方格，每个方格叫一个 tixel，tixel 内测的是染色质开放程度（fragment 计数），而不是 mRNA。因此它回答的是"这块组织里哪些增强子/启动子在开着"，而不是"哪些基因在表达"。

Q6：核心发现一句话是什么？
免疫抑制肿瘤保留了全部免疫细胞类型，但巨噬细胞数量（瘤内密度）下降、抗原呈递程序受损、空间排布被打散，进而限制了 T 细胞的克隆扩增与多样性；表观层面表现为 IC 中 MAF 驱动的 CD68+ TAM 靠近肿瘤，而 IS 中 CUX1 富集的炎症成纤维细胞靠近 CD8+ T 细胞，把后者围在外围。

Q7：数字有多硬？
瘤内 CD68+ 巨噬细胞密度差异 p=0.022（主队列）、p=0.029（Cleveland 外部验证）；CD8+ T 细胞 2,947 个差异基因；CD8+ 超扩增克隆 Fisher 精确检验 p=0.0005；CD8+ TCR Shannon 多样性 p=0.014、CD4+ p<0.001；5 年 OS 33.3% vs 68.8%（p<0.001）。这些都是论文正文数字，条目照录。

Q8：能不能直接下？
GSE316922 的 RAW.tar 只有 1.6 GiB，一条 curl 就能拉；GSE306129 的 RAW.tar 41,013,575,680 B（约 38 GiB），且raw 序列不公开。同研究的 Xenium 记录 GSE306130 更是 101,724,723,200 B（约 95 GiB）。下载前先算盘。

Q9：许可怎么算？
GEO 记录本身没有独立 CC 声明，受 NCBI GEO 数据使用政策约束；论文是 Elsevier 版权（All rights reserved），并非 CC 开放获取，但 PMC 作者稿（PMC13637808）自 2026-10-05 起免费。不要把"PMC 可读"误读成"论文开放许可"。

Q10：这个条目和脑组织的空间图谱条目（杏仁核、AD 脑）有什么区别？
那是神经科学的空间转录组，回答"脑区怎么分区"；这里是皮肤肿瘤的免疫学，回答"免疫抑制怎么改变肿瘤微环境"。两者共享空间组学方法学，但生物学问题、队列、平台、许可完全不同，检索时别混。

§2 数据构成与规格

2.1 两条主锚记录的身份卡

维度	GSE306129	GSE316922
系列标题	Spatial biology reveals macrophage dysfunction in immunosuppressed non-melanoma skin cancer [spatial_ATAC]	Spatial biology reveals macrophage dysfunction in immunosuppressed non-melanoma skin cancer
类型	Other（spatial ATAC）	Expression profiling by high throughput sequencing
样本数（GSM）	28	36
平台	GPL34284 + GPL24676	GPL34284
补充文件类型	TSV, ZIP	MTX, TSV
RAW.tar 精确字节	41,013,575,680	1,687,633,920
BioProject	PRJNA1309491	PRJNA1405546
提交 / 公开	2025-08-22 / 2026-08-07	2026-01-20 / 2026-08-07
最后更新	2026-08-08	2026-08-08
联系人	Moran Amit，Head & Neck Surgery，MD Anderson	Moran Amit，Head & Neck Surgery，MD Anderson

两条记录都在 2026-08-07 同日公开，与 Cell 正式上线（2026-08-05）几乎同步——这是近两年期刊"发表即解禁"政策的典型节奏。GSE306129 的提交时间（2025-08-22）比 GSE316922（2026-01-20）早五个月，说明空间 ATAC 是更早完成的一批数据。

2.2 GSE306129 的文件结构与下载账

逐一核对 GEO FTP 的 filelist.txt（56 个样本级文件 + 1 个 archive）：

文件族	每样本数量	单文件量级	内容
{GSM}_{样本ID}_fragments.tsv.gz	1	0.56–2.74 GB	每个 tixel 的 fragment 计数（ArchR 输入格式）
{GSM}_{样本ID}_spatial.zip	1	1.8–3.5 MB	空间条形码-坐标元数据（tixel 坐标表）

合计 28 对 = 56 个文件。单样本 fragment 文件最小 559,995,759 B，最大 2,734,139,141 B，量级差异主要来自组织面积与测序深度。没有 peak 矩阵、没有 bam、没有 fastq——GEO 页面明确写了 Raw files for human/patient samples were not submitted to GEO due to concerns about submitting personally identifiable sequence data for open access.

2.3 GSE316922 的文件结构与下载账

每样本 3 个文件，共 108 个：

文件族	内容
{前缀}.barcodes.tsv.gz	细胞条形码（10x 标准）
{前缀}.features.tsv.gz	基因特征表
{前缀}.matrix.mtx.gz	稀疏表达矩阵

单样本矩阵 20–60 MB 量级，整个 RAW.tar 1.6 GiB，属于"笔记本能跑得动"的规模。矩阵是 Cell Ranger 7.1.0 输出的 standard 10x 三件套，可直接读入 Seurat。

2.4 样本标题里的临床结构

GSE306129 的 28 个样本标题自带三段元信息（D编号_癌种_免疫状态_Cohort），按字段计数如下：

维度	分布
癌种	BCC 16（IS 8 / IC 8）｜cSCC 12（IS 8 / IC 4）
免疫状态	IS 16｜IC 12
队列	Cohort 1 = 16｜Cohort 2 = 12

这组计数是本条目能够"拆开"GEO design 文字的关键：Cohort 1 的 16 个样本恰好对上 GEO 写的"16 samples"，Cohort 2 的 12 个样本恰好对上论文写的第二队列 12 样本。 于是"28"可以被拆成"16 + 12"，但"14 patients"与人数字段对不上——标题里只出现 D 编号，无法直接数出患者数。

2.5 平台与运行参数

• 空间 ATAC：DBiT-seq，AtlasXomics Portal50（商业一代、50 通道微流控），10 μm 冷冻切片，甲醛固定 0.2% / 5 分钟，转座酶 tagmentation 前先用 bulk ATAC 做通透化优化。数据分析走 ArchR（iterative LSI，2 轮迭代，分辨率 0.2，25,000 变异特征，维度 1:30），peak calling 用 macs2，motif 用 chromVAR + cisbp 集。
• Xenium：定制 350 基因 panel（涵盖皮肤、上皮、黑色素细胞、免疫、成纤维、神经、神经嵴、间充质、干细胞表型与阴性对照），FFPE 5 μm 切片，探针 10 nM、50 °C 过夜杂交，Xenium Analyzer 15 轮，Z-stack 步进 0.75 μm。
• scRNA-seq：10x Chromium Next GEM Single Cell 5’ HT v2，CD45+ FACS 富集（CytoFLEX SRT），NovaSeq X Plus 150PE，Cell Ranger 7.1.0；Seurat 5.0.1 + Harmony + DoubletFinder 2.0.3 + CellTypist。
• mIF：Opal 7 色，Vectra Polaris 4×–40× 全片扫描，Phenochart 注释，inForm 2.4.8 分割与表型判定（阈值由机器学习在训练后确定，不预设）。第一panel：CK/CD68/CD8/CD4/CD20/PD-L1；第二panel（Cleveland 队列）：CD40/CD11c/HLA-DR/CD68/CD11b/pan-CK。

2.6 同研究另三条 GEO 的定位（核对用，不作主锚）

记录	内容	样本	平台	RAW.tar
GSE306130	Xenium 空间转录组	GEO 写"12 组织样本 + 2 张 TMA 含 91 cores"	GPL33762	101,724,723,200 B（≈95 GiB）
GSE318638	scTCR-seq	34 样本 / 29 例（21 IS + 13 IC）	GPL34284	14,725,120 B（14 MB）
GSE308361	scMultiome（ATAC+RNA）	8 样本 / 8 例（4 IS + 4 IC）	GPL34284	23,299,307,520 B（≈22 GiB）

值得注意：GSE308361 与 GSE306129 一样声明 raw 未提交；GSE318638 体积只有 14 MB，说明它只发了克隆型汇总表，不发原始 T 细胞读段。

§2A 样本级图谱：28 例空间 ATAC 的构成

把 GEO 的 28 个样本标题逐一列出并归类，可以得到下面这张分布表（这是本条目从原始元数据实算的，不是抄论文）：

Cohort	样本数	BCC	cSCC	IS	IC
Cohort 1	16	10	6	8	8
Cohort 2	12	6	6	8	4
合计	28	16	12	16	12

几个值得注意的观察：

1. Cohort 1 的 IS/IC 是 8 比 8，而 GEO design 写的是 7 IS + 9 IC。样本标题与 design 文字在这一个维度上也不一致。
2. Cohort 2 的 IS/IC 是 8 比 4，论文写的是 IS=9、IC=3。同样不一致。
3. 两个队列加起来 BCC 16、cSCC 12，BCC 反而更多——这与主队列（cSCC 占 78.9%）构成相反，说明空间 ATAC 子集不是主队列的等比抽样，而是按"能切出合适 BCC 与 cSCC 区域"挑选的。

结论性提醒：如果论文正文的样本数与 GEO 标题不一致，本条目一律两边并列，不擅自取舍。任何一个数字单独出现时都不完整。

§3 研究设计与队列

3.1 总队列：138 例、150 份标本

论文在 MD Anderson 的 cSCC 注册库（REDCap）中筛出 1998-01-01 至 2025-08 的 BCC/cSCC 手术患者，纳入标准是"系统治疗初治、随访 ≥6 个月、有可用组织"，排除"转诊前已接受活检/局部切除以外治疗、随访 <1 个月、无组织"。最终分析 150 份标本、138 例患者：

• 免疫正常（IC）55 例（39.8%）；免疫抑制（IS）83 例（60.1%）
• BCC 28 例（20%）；cSCC 109 例（78.9%）；1 例兼具两者特征
• 年龄 42–92 岁；两组均以男性为主（89% 以上）

IS 组的免疫抑制病因分布：血液肿瘤占多数（60 例，43.4%，含 CLL 20、滤泡性淋巴瘤 7、AML 3、DLBCL 3、多发性骨髓瘤 2）；实体器官移植 14 例（10.1%）（肾 4、肝 2 为主）；其他病因 9 例（6.5%），包括长期糖皮质激素、类风湿关节炎/SLE 等自身免疫病、HIV。

3.2 IS 的操作性定义

论文把 IS 定义为以下任一项：实体器官或干细胞移植；活动性血液系统恶性肿瘤或其他骨髓增殖性疾病；需免疫抑制治疗的自身免疫病或长期使用糖皮质激素；HIV/AIDS；胰岛素依赖型糖尿病。最后一条容易引起争议——论文专门论证了胰岛素依赖型糖尿病伴随的细胞因子产生受损、白细胞募集抑制与巨噬细胞功能障碍，因此纳入 IS。

3.3 空间与 mIF 队列的匹配设计

用于 mIF 与空间转录组分析的 IC 队列，并非随便挑选，而是按年龄与 T 分期与 IS 队列匹配（分期采用 AJCC 第 8 版）。这是本研究的防混淆设计：如果 IC 组恰好都是更早期、更年轻的病人，看到的"免疫状态差异"可能是分期差异的伪装。

3.4 外部验证：Cleveland Clinic 54 例

第二家机构提供 54 份 cSCC 标本（29 IS / 25 IC），用 tyramide 信号放大做多重免疫荧光，验证髓系细胞密度结论。这是全文唯一一个完全独立的机构级复现，也是 CD68+ 密度差异（p=0.029）的第二证据。

3.5 第二队列（cohort 2）：12 例连续切片

cohort 2 有 12 个样本（IS 9 / IC 3；BCC 4 / cSCC 8），在同一组织的连续切片上同时做 Xenium 与空间 ATAC。这个设计的意义是"同一块组织的两种组学对照"，用于检验空间 ATAC 与空间转录组在细胞类型识别上的一致性（论文报告 ATAC fragment 计数的技术一致性 R² > 0.9）。

3.6 伦理与同意

研究经 MD Anderson、Cleveland Clinic、University of Pennsylvania、Moffitt 四家 IRB 批准；回顾性部分豁免知情同意；scRNA-seq 部分来自 MD Anderson Mohs 门诊的连续患者，签署知情同意（IRB Lab08–0848）。

§3A 队列的时间跨度与地理构成

3A.1 一个 27 年的组织库窗口

主队列的组织来自 MD Anderson 1998 年 1 月 1 日至 2025 年 8 月的手术标本。27 年跨度意味着：

• 病理诊断标准的演进（AJCC 第 8 版 2018 年启用，此前病例按第 8 版回溯分期）
• 治疗格局的变化（ICI 2018 年后进入 cSCC，早期病例不可能接受过 ICI）
• 组织保存条件的不一致（FFPE 保存年限差异会影响核酸质量）

论文没有针对这些时间维度做校正，属于未讨论的潜在混杂，本条目在此标注为读者自判项。

3A.2 四家机构的分工

机构	角色	贡献
MD Anderson	主中心	主队列临床数据、scRNA-seq、空间 ATAC、Xenium、mIF
Cleveland Clinic	外部验证	54 例 cSCC 的 mIF 髓系 panel
University of Pennsylvania	补充病例	2015-01-01 至 2020-12-31 的移植受者病例识别
Moffitt Cancer Center	病理复核	皮肤病理学家参与 H&E 复核
AtlasXomics	技术平台	DBiT-seq / Portal50 空间 ATAC 与数据流水线
University of Houston	测序	Sequencing and Gene Editing Core

这个分工结构值得注意：空间 ATAC 是在 AtlasXomics 完成的（组织干冰寄送），而其余组学在 MD Anderson 与休斯顿大学完成。跨机构寄送冷冻切片对组织质量有影响，论文用 bulk ATAC 预实验做通透化优化来部分对冲。

§1A 数据字典与字段语义（可操作层）

这一节把"数据长什么样"逐字段写清楚，目的是让人不必先读论文就能开始解析。

1A.1 GSE306129 两类文件的字段结构

*_fragments.tsv.gz 是 ArchR 标准输入之一（与 10x scATAC 的 fragments.tsv 同构），无表头，列顺序为：

列	类型	语义
chr	string	染色体名（如 chr1，需确认是否带 chr 前缀）
start	int	片段起点（0-based）
end	int	片段终点
barcode	string	空间条码，对应 tixel 身份
count	int	该片段去重后的读数

*_spatial.zip 是小体积压缩包，内含条码与 x-y 坐标的对照元数据。ArchR 加载后需要一张 spatial.csv（或等价表）把 barcode 映射到坐标，否则 tixel 只能聚成一团、无法画出空间图。这是实操中最容易卡住的一步：fragment 文件本身不带坐标，坐标全在 spatial.zip 里。

1A.2 GSE316922 的三件套

标准 10x 输出，无表头约定与常规一致：

文件	列/行	说明
barcodes.tsv.gz	一行一个 barcode	细胞条形码，无表头
features.tsv.gz	三列：gene_id、gene_symbol、feature_type	基因注释
matrix.mtx.gz	MatrixMarket 稀疏矩阵	行 = features，列 = barcodes

注意两个细节：一是不同样本的 barcode 可能重复（10x barcode 空间是随机的，跨样本碰撞并不罕见），合并多个样本时必须加样本前缀；二是 features 的基因 ID 版本号会影响与 GTEx、ENCODE 等外部注释的 join，做跨库比对前要统一版本。

1A.3 样本标题解析规则

GSE306129 的标题形如 D01127_BCC_IS_Cohort 1，按 _ 切分（注意 “Cohort 1” 里含空格）：

段位	含义	取值
1	组织编号（D 开头）	28 个唯一值
2	癌种	BCC / SCC（注意 GEO 写 SCC，论文写 cSCC）
3	免疫状态	IS / IC
4	队列	Cohort 1 / Cohort 2

第三段的 SCC 与论文的 cSCC 是同一事物，但字符串不同，写正则时若只匹配 cSCC 会全部漏掉。

1A.4 哪些元数据不在 GEO 里

这是本资源最大的使用门槛：患者级的年龄、性别、分期、免疫抑制病因、生存时间与结局，都不在 GEO 的样本属性表中，而在论文补充表 S1 与 S3–S10 里。GEO 页面只提供样本标题层面的三段信息。因此：

• 要做生存分析 → 必须拿到补充表
• 要做病因分层（移植 vs 血液肿瘤）→ 必须拿到补充表
• 要做癌种分层（BCC vs cSCC）→ 可以只看标题

§4 核心发现：一条四步因果链

4.1 第一步：免疫细胞"数量"没有差异

论文最先做的是否证——用 scRNA-seq 看 36 个 CD45+ 富集样本，226,170 个细胞经 25 个转录簇归并为 10 大类免疫细胞。结果：IC 与 IS 两个大组在免疫细胞亚群的相对比例上没有统计学差异。随后用 mIF 在组织原位按"每平方毫米细胞数"计数 CD4+、CD8+、B 细胞，瘤内与基质两个分区也都没有显著差异。

这一步的方法学含义值得强调：scRNA-seq 测的是"在捕获到的 CD45+ 细胞里，各亚型占几成"，而 mIF 测的是"每平方毫米有多少个"。前者是相对量，后者是绝对密度。两者在 CD68+ 巨噬细胞上给出了方向不同、但并不矛盾的答案——scRNA-seq 里巨噬细胞占比相近，mIF 里瘤内巨噬细胞密度 IS 更低。论文在讨论中明确指出，这正说明"相对比例"看不见"空间排布"。

4.2 第二步：瘤内巨噬细胞密度下降（本篇最硬的一个数）

• MD Anderson 主队列：IC 组瘤内 CD68+ 巨噬细胞密度显著高于 IS 组，p = 0.022
• 两个组的共同规律：细胞角蛋白阴性基质区的 CD68+ 密度显著高于角蛋白阳性肿瘤区（两组均 p < 0.0001）
• IS 组：瘤内 CD68+PD-L1+ 密度显著低于基质 CD68+PD-L1+ 密度（p < 0.0001）
• Cleveland Clinic 外部验证（54 例 cSCC）：IS 瘤内 CD11b+/CD11c+/CD68+ 髓系细胞密度整体下降，其中 CD68+ 巨噬细胞下降 p = 0.029

生存关联也指向同一群细胞：

分组	指标	与生存关系
IC	瘤内与基质 CD8+LAG3+ T 细胞密度高	5 年 OS 更好（p < 0.001 / p = 0.031）
IC	基质 CD68+ 巨噬细胞密度高	5 年 OS 更好（p = 0.040）
IS	基质 CD68+PD-L1+ 密度高	5 年 OS 更差（p < 0.001）

同一个标志物（CD68+PD-L1+ 巨噬细胞），在 IS 病人里处在基质区时与更差生存相关——这提示它在这个特定空间背景下的功能可能从"抗原呈递"滑向"免疫抑制"。

4.3 第三步：巨噬细胞亚群重排与通路塌陷

对巨噬细胞单独做亚聚类，得到 6 个功能亚群（论文明确说这取代了传统 M1/M2 二分）：

亚群	标志基因	功能线索
Inflam-TAM	IL1β+ IL1RN+ CXCL8/3/1/2+	炎症因子富集
ECM-Deg TAM	MMP9+ SPARC+	细胞外基质降解
LA-TAM	APOC1+ APOE+ LPL+	脂质相关
Prolif-TAM	MKI67+ STMN+ TYMS+	增殖
IFN-TAM	CXCL9/10+ IFITM1/3+	干扰素应答
RTM	CD163+ MS4A7+ MAF+ MRC1+	组织驻留

比例上，IS 的 RTM 占比更高、IC 的 Prolif-TAM 占比更高，但这两个差异都未达到统计学显著。真正显著的差异出现在通路层：在多个亚群里，IS 相对 IC 出现负 z 分数的先天免疫与细胞因子通路，包括 FCGR 依赖的吞噬作用、IL-6、IL-17、IL-33 信号；而"经典激活"程序在部分 TAM 亚群里反而是正 z 分数。也就是说，IS 的巨噬细胞并不是全面"熄火"，而是选择性地失去了吞噬与抗原相关功能，同时保留甚至增强某些炎症程序。这一点常被二手报道简化成"巨噬细胞功能下降"，与本数据的细粒度结论有出入。

4.4 第四步：T 细胞克隆多样性收缩

T 细胞层面有两组互相印证的证据：

1. 基因表达：CD8+ T 细胞 2,947 个差异表达基因（FDR<0.05），IS 下调细胞毒效应通路（GZMB、PRF1、IFNG），上调耗竭标志（PDCD1、CTLA4、TIGIT）；CD4+ T 细胞 2,181 个差异基因，富集调节性与免疫抑制程序。IPA 确认：CD8 “细胞毒性 T 细胞介导的凋亡” p<0.001、CD4 “Th1 通路” p<0.001、髓系 “树突状细胞成熟” p<0.001。
2. 克隆型：T 细胞亚群丰度在两组间没有差异，但 IS 的 CD8+ 超扩增克隆数显著更少（Fisher 精确检验 p=0.0005）；TCR 多样性下降（CD8+ Shannon p=0.014，CD4+ Shannon p<0.001，Bonferroni 校正 Wilcoxon 符号秩检验）。克隆重叠（Morisita 指数）显示：CD8+ 在 IS 里各亚群之间的共享整体变弱，唯独保留 EM_GZMK 与 Stress_NR4A1 这条"核心应激-效应"连接；CD4+ 则相反，IS 里 Naive、Prolif、Stress_NR4A1、Stress_HSPA6 之间共享增强。

"丰度不变、克隆多样性下降"是本篇最有诊断价值的组合。 它说明 IS 肿瘤里 T 细胞并没有消失，而是被压缩成少数几个克隆在局部循环，这与"抗原呈递不足导致启动失败"的机制模型吻合。

4.5 组织学分层：cSCC 与 BCC 的差异

论文额外做了一次按癌种的分层：免疫细胞组成、髓系与 T/NK 亚群分布在 cSCC 与 BCC 之间一致；但 TCR 多样性下降只出现在 IS 的 cSCC，不出现在 BCC。这是一条常被忽略的限制条件——"免疫抑制 → 克隆多样性收缩"这条链在基底细胞癌里没有复现。

4.6 免疫抑制病因的分层：移植 vs 血液肿瘤

• mIF 队列中，血液肿瘤（HM）患者的 CD4+ T 细胞浸润（瘤内与基质）显著低于器官移植受者（OTR）（p=0.006 / p=0.034）
• scRNA-seq 同样显示 HM 的 CD4+ T 细胞总量更低，而巨噬细胞与树突状细胞比例在两种 IS 病因间相近

结论可以概括为：髓系缺陷对 IS 的病因"不敏感"，T 细胞缺陷则与血液肿瘤的系统性淋巴细胞清除有关。 移植相关免疫抑制保留了 T 细胞区室，但同样失去了髓系的空间组织。

§4 小节补遗一：巨噬细胞的六个亚群逐个画像

4A.1 Inflam-TAM（炎症因子富集型）

标志 IL1β、IL1RN、CXCL8/3/1/2。这一群的功能指向中性粒细胞趋化与急性炎症信号。论文在通路分析里发现，IS 中 IL-6、IL-17、IL-33 信号呈负 z 分数——注意这说的是通路活性下降，而不是这一群细胞消失。

4A.2 ECM-Deg TAM（基质降解型）

标志 MMP9、SPARC。这是 Xenium 空间数据里瘤内生态位的主导 TAM 亚群，也是与 CD8+ T 细胞出现互作趋势的主要对象。在 CD8+>20% 的富集生态位里，IS 组的 ECM-Deg 比例有下降趋势（p=0.06）。

4A.3 LA-TAM（脂质相关型）

标志 APOC1、APOE、LPL。空间生态位分析里，瘤内 LA-TAM 在 IC 中显著更丰富（p=0.048）。论文将其解读为 IC 肿瘤的代谢适应与激活状态。这一条是空间分析里少数达到显著水平的亚群差异之一。

4A.4 Prolif-TAM（增殖型）

标志 MKI67、STMN、TYMS。scRNA-seq 比例上 IC 更高但未显著；空间 CCI 分析里 Prolif-TAM 的互作节点数在 IC 显著更多（p<0.05）。"比例不显著、互作显著"是本篇反复出现的一种模式，提示空间位置比数量更能区分两组。

4A.5 IFN-TAM（干扰素应答型）

标志 CXCL9/10、IFITM1/3。这一群是"免疫活跃"的典型标志。在 cohort 2 的 Xenium 数据里，IS 的瘤内 IFN-TAM 代表性更低；在 CD8+ 富集生态位里下降趋势 p=0.116，未达显著。

4A.6 RTM（组织驻留型）

标志 CD163、MS4A7、MAF、MRC1。这是与 MAF motif 直接相关的一群——空间 ATAC 的 C12 簇（CD68+ TAM 与肿瘤共存）富集 MAF motif，而 RTM 的标志基因里 MAF 本身就在列。RTM 比例在 IS 数值更高但不显著，然而在 CD8+ 富集生态位里 IS 显著更低（p=0.018）——又是一个"总量与局部"的分歧。

4A.7 六群的汇总读法

亚群	总量（scRNA-seq）	瘤内生态位	CCI 节点
Inflam-TAM	未见显著差异	—	—
ECM-Deg TAM	未见显著差异	主导亚群，IS 略降（p=0.06）	—
LA-TAM	未见显著差异	IC 更高（p=0.048）	IC 更多（p<0.05）
Prolif-TAM	IC 略高（不显著）	—	IC 更多（p<0.05）
IFN-TAM	未见显著差异	IS 略降（p=0.116）	—
RTM	IS 略高（p=0.13）	IS 更低（p=0.018）	—

这张表是理解"数量 vs 空间"分歧的最好入口：六群在总量层面几乎都没有显著差异，差异全部出现在空间定位与互作层面。

§4 小节补遗二：空间 ATAC 的 12 个簇能确认什么

论文把 12 个 spEP 簇分为肿瘤 5 个与 TME 7 个，但正文只点名了其中一部分簇的标记与邻域行为，其余簇仅出现在补充图 S9–S11 中。为避免把图注推测写成事实，本节只列正文明确点名的簇，并标注"正文未详述"的部分：

簇	正文明确给出的信息	与 IC/IS 的关系
C1	内皮/免疫混合簇；CUX1 motif 富集	与 C9 常相邻，形成"成纤维中的内皮免疫生态位"
C2	成纤维 1 邻近的 CD8+ 耗竭 T 细胞簇	IS 中成纤维 1（C4/C8）更常靠近 C2
C3	高 SNAI2（上皮-间质转化标记）基因可及性	与 C2 构成高分异型邻域对
C4	Fibroblast 1 富集区；NANOG、E2F motif	IS 中更常靠近 C5/C2/C10
C5	Fibroblast 1 与 CD8+ 细胞毒 T 细胞的交界；NANOG/E2F motif	唯一归一化比例在 IS/IC 间显著不同的簇
C6	Macrophage 1（CXCL12-high）富集区	正文未述组间差异
C7	Macrophage 2（CXCL10-high）；RUNX1 motif（调控 CAF 功能）	IC 中 Macrophage 2 更常靠近 C10/C11
C8	Fibroblast 1 另一簇；TCF7 motif 富集	IS 中更常与 C10 相邻
C9	Fibroblast 2 / Macrophage 2 混合；SOX2 motif	IC 中更常靠近 C12
C10	癌症起始细胞样肿瘤簇，同型邻域分最高；HNF4 motif 富集并定位在 TME	IS 中与 C4/C8 相邻
C11	SOX15 基因可及性高（干细胞性/抑癌双重角色）；HOXC10（基底分化）	与 C12 构成最高异型邻域对
C12	角化肿瘤 + CD68-high TAM 共存；MAF motif 富集；ATF3 motif 仅 IC 富集	IC 中紧邻 C9；ATF3 全局 GAS 在 IS 更高

关于簇编号的一致性：论文在正文不同段落对 Macrophage 2 的归属有"C7 与 C9"和"C7 与 C9"两处一致表述，但对 C5 的描述在 Figure 6 图注中写"fibroblast 2/CD8+ cytotoxic T cell cluster (C5)"，与正文"C4 与 C5 都有 NANOG 与 E2F、C4/C8 为 fibroblast 1"的表述不完全对齐。本表按正文 Results 段描述为主，图注口径另行标注，读者引用前应回原图核对。

5A.1 为什么 C5 是唯一比例显著不同的簇

12 个簇里，只有 C5（Fibroblast 1 / CD8+ 细胞毒）的归一化比例的组间差异达到显著。其余簇的比例在 IS 与 IC 之间没有差异。这与转录组层的观察一致：细胞类型的比例是稳定的，变化发生在空间关系上。C5 的例外恰好把"成纤维-细胞毒 T 细胞界面"这个主题点了出来。

§5 空间层：从 Xenium 到空间 ATAC

5.1 Xenium：81 个核的生态位解剖

论文用 Xenium 在组织原位做单细胞分辨率空间转录组，81 个 cSCC 样本核 / 45 例患者（原文写 “23 IC and 58 IS”，该括号计数本身存疑，见坑 3），定制 350 基因 panel，HE 复染后由病理学家标注核对。无监督聚类得到 19 个 UMAP 簇：

• 肿瘤侧 8 个簇：角化细胞样、癌症干细胞样（PROM1-high）、神经嵴样，其中增殖角化-NEFL-high 与癌症干细胞-PROM1-high 是各核里的主导肿瘤簇
• 巨噬细胞 2 个簇：CD163+CD68+CXCL9-high 与 CD163+CD68+CXCL12-high
• 其余为 T、B、NK、DC、内皮、成纤维等

把 scRNA-seq 的 6 个 TAM 亚群标记投射到 Xenium 上，ECM-Deg TAM 在瘤内生态位里占主导。生态位层面的差异：

生态位指标	结果
瘤内 LA-TAM 比例	IC 更高（p=0.048）
瘤内 RTM 比例	IS 数值更高，不显著（p=0.13）
CD8+>20% 富集生态位（7 IC / 20 IS）中 ECM-Deg TAM	IS 有下降趋势（p=0.06）
同上，单核细胞	IS 更低（p=0.05）
同上，RTM	IS 更低（p=0.018）
同上，IFN-TAM	IS 更低（p=0.116，不显著）
全队列 CCI 节点（B 细胞、LA-TAM、Prolif-TAM、单核）	IC 显著更多（p<0.05）

细胞-细胞互作（CCI）用 stLearn 在空间上下文的共表达基础上估计，置换检验判断是否高于随机。关键观察：免疫细胞之间异型互作丰富，而肿瘤细胞主要与自己同类互作；APC–耗竭 T 细胞之间的 LGALS3–LAG3、LTB–CD40、CXCL12–CD4 配体-受体对在 IS 中呈上升趋势但未显著。论文对此的解释是：空间数据里免疫细胞相对肿瘤与成纤维细胞丰度太低，统计功效不足。

5.2 空间 ATAC：tixel 级的表观地图

DBiT-seq 平台上，组织被 50 条微流控通道的交叉切分为 tixel 网格；每个 tixel 的染色质可及性连同它的 x-y 坐标一起测出。12 个空间表观（spEP）簇中：

• 肿瘤 5 个、TME 7 个
• 巨噬细胞 2 型：Macrophage 1（CXCL12-high） 富集在 C6；Macrophage 2（CXCL10-high） 富集在 C7 与 C9
• 成纤维细胞 2 型：Fibroblast 1（C4/C8）靠近 CD8+ 细胞毒 T（C5）；Fibroblast 2（C9，成纤维-巨噬混合）靠近 Macrophage 2
• 簇间正常比例在 IS 与 IC 之间只有 C5（Fibroblast 2 / CD8+ 细胞毒）显著不同

5.3 差异邻域：谁靠近谁

这是全文最"空间"的一段：

邻域关系	哪一组更多
表观 Macrophage 2（C9）↔ 增殖角化肿瘤（C12）	IC 更多
Macrophage 2（C7）↔ 肿瘤簇（C10/C11）	IC 更多
Fibroblast 1（C4/C8）↔ CD8+ 细胞毒（C5）/ 耗竭（C2）/ 癌症起始细胞（C10）	IS 更多
Macrophage 2 ↔ 肿瘤，且带 MHC-II 活性（HLA-DQA1/DQB1/DRB1）	IC 更多

换句话说：IC 的巨噬细胞贴着肿瘤站，IS 的成纤维细胞把 T 细胞包了起来。 这就是"空间组织被拆散"的具体形态——不是细胞消失，而是"该在一起的不在一起了"。

5.4 转录因子 motif：MAF / ATF3 / CUX1 三角

调控程序	在哪一组 / 哪个簇	解读
MAF motif	C12（CD68+ TAM 与肿瘤共存簇）富集	MAF 是 TAM 免疫抑制功能的已知驱动因子，IC 的 CD68+ TAM 带此程序
ATF3 motif	C12 中仅 IC 高度富集；但 ATF3 全局基因活性分（GAS）IS 更高	论文解释为 IS 的 CD68+ TAM 有更强的 ATF3 信号，可能对应抗炎表型
CUX1 motif	C1（内皮/免疫簇）富集	CUX1 介导基质成纤维的炎症反应，IS 的炎症性成纤维细胞由此驱动
TCF7	C8 富集	调控 T 细胞发育与分化——IS 中高 TCF7 的 CD8+ T 细胞被成纤维细胞邻域包围
RUNX1 / SOX2	C7 / C9 富集	调控 CAF 功能与 CAF 介导的肿瘤生长
pseudobulk 差异 motif	IS：ETS、HNF4、SPI1、ETV4；IC：GRHL1、TP53、TP63、POU2F2、FOXF2	两组整体调控图谱不同，GRHL1 富集 motif 定位在肿瘤簇，HNF4 定位在 TME

5.5 第二队列的复现

cohort 2（12 例，连续切片）用同样的双模态：

• 空间 ATAC fragment 计数在 IC 与 IS 之间技术一致性 R² > 0.9
• 24 个 spEP 簇与 Xenium 细胞标签、病理形态一致
• Xenium 侧：IS 的瘤内 APC 亚群（ECM-Deg TAM、IFN-TAM）与耗竭 CD8+ T 细胞代表性更低
• APC–T 互作：LGALS3–LAG3、LGALS1–CD69 模式变化
• 炎症成纤维细胞簇 C14 富集 NFKB1 motif，对应切片 Xenium 上出现 VIM、PDGFRA、THY1、CXCL12、CCL19、IL1B
• DC 富集生态位（>30%，7 IC / 20 IS）中 IS 的 CD8+ T 比例偏低（p=0.125）且 DC–CD8+ 互作更少

5.6 scMultiome 的单细胞校验

8 个样本（4 IS / 4 IC）做 scATAC+scRNA 同细胞测序，得到 21 个细胞类型簇，其中巨噬细胞（C20）、角化细胞（C21）、上皮（C19）在单细胞与空间数据间一致保留。这是整篇论文的"锚"——证明空间 ATAC 的细胞注释没有跑偏。

§6 获取与许可

6.1 三条门，三种进度

资产	门	现状
GEO 主锚（GSE306129 / GSE316922）	公开直链，无需申请	2026-08-07 起 public；ftp.ncbi.nlm.nih.gov/geo/series/GSExxxnnn/{GSE}/suppl/
GEO 同研究三条（GSE306130 / GSE318638 / GSE308361）	公开直链	同上；GSE306130 体积 95 GiB
mIF 原始与处理数据	Zenodo 20561071	论文给出的链接带 access token，公开性未确认
Xenium 空间图 + HE 图	figshare 30296713	论文给的是 /account/articles/ 账户内路径，公开性未确认
代码	GitLab railab/spatial-biology-...；GitHub atlasxomics/ATX_epigenomics	正文写 “available on GitHub”，实际主库在 GitLab
论文全文	Cell / PMC	Elsevier 版权；PMC 作者稿 PMC13637808 免费

6.2 下载命令模板

# GSE316922：scRNA-seq，1.6 GiB
wget https://ftp.ncbi.nlm.nih.gov/geo/series/GSE316nnn/GSE316922/suppl/GSE316922_RAW.tar

# GSE306129：spatial ATAC，38 GiB（先看 filelist 再决定是否整包）
wget https://ftp.ncbi.nlm.nih.gov/geo/series/GSE306nnn/GSE306129/suppl/filelist.txt
wget https://ftp.ncbi.nlm.nih.gov/geo/series/GSE306nnn/GSE306129/suppl/GSE306129_RAW.tar

先读 filelist.txt 是硬性建议：GSE306129 的 28 个 fragment 文件每个都不小。若只做空间坐标与标签层分析，可以只拉 spatial.zip（每样本 1.8–3.5 MB）；若要重建 ArchR arrow 对象做 motif 与邻域分析，则必须整包——GEO 上没有单独的 peak 矩阵文件，peak 需自行从 fragments 重算。

6.3 许可的读法

• GEO 记录没有写 CC BY 之类，适用 NCBI 标准数据使用政策。科研再分析通常无碍，但不得用于重新识别个体——这也是作者拒绝提交 raw 序列的同一顾虑。
• 论文是 Elsevier 的订阅内容。PMC 上的 PMC13637808 是 NIH 作者稿（NIHMS2203300），免费读不等于可自由再分发。若要引用图件，按 Cell 的版权规则办。
• 代码两处仓库的许可各自独立，使用前要分别看 LICENSE。

6.4 AI-Ready 光谱上的位置

用"机器可读程度"衡量，这份资源属于中高档：

• 强项：标准 10x 三件套 + ArchR 可直接吃的 fragment 表；样本标题自带癌种/免疫状态/队列三段元信息；多条记录互有 BioProject 可追溯
• 弱项：GSE306129 缺 raw，无法从读段复跑；GEO design 文字与实际 GSM 计数不符，机器解析容易出错；mIF 与 Xenium 的镜像以 token/账户路径给出，自动化抓取会失败

§7 临床意义：为什么这件事对病人重要

7.1 结局差距有多大

指标	IC	IS	p
5 年总生存 OS	68.8%	33.3%	<0.001
5 年无病生存 DFS	55.2%	24.2%	论文并列报告

这不是一个小的差异：IS 组的五年生存差不多只有 IC 组的一半。而免疫抑制人群的 NMSC 发病率本身就高出 65–250 倍（移植受者 cSCC），两个因素叠加，意味着这个群体承载了远超其人口比例的疾病负担。

7.2 对 ICI 排除政策的冲击

论文的立论很直接：IS 患者被排除在 ICI 试验之外，理由常是"免疫抑制导致疗效不确定 + 全身激活风险"。但本研究显示，IS 肿瘤的 T 细胞并没有变少，变的是启动与排布。如果 T 细胞还在、只是没有被有效启动，那么"用 ICI 解除刹车"未必是错的思路，只是需要先修好抗原呈递这一段。论文因此不主张直接给 IS 患者上全身 ICI（移植受者有排斥风险），而是提出：

1. 瘤内局部先天免疫激活——在肿瘤局部激活先天免疫，绕开全身毒性
2. 溶瘤病毒——如 T-VEC（talimogene laherparepvec），既直接溶瘤又诱导局部免疫
3. 肿瘤疫苗——补偿受损的抗原呈递机器

这三条都属于"局部、低全身暴露"的策略，正好对应"系统性免疫抑制不能碰、局部可以修"的临床约束。

7.3 生物标志物的候选

数据给出两个可检验的候选：

• 基质 CD68+PD-L1+ 巨噬细胞密度：IS 中高密度与更差 OS 相关（p<0.001），方向与 IC 中"基质 CD68+ 高密度预后更好"（p=0.040）相反。同一标志物在两种免疫状态下方向相反，是"空间背景决定功能"的典型例子。
• TCR 克隆多样性：CD8+ Shannon 指数在 IS 中下降（p=0.014）。若能在临床上用 TCR 测序评估肿瘤浸润淋巴细胞的克隆广度，也许可以作为一个"免疫功能储备"指标——但目前仍是研究级观察。

7.4 不能过度解读的地方

• 生存分析是回顾性队列，混杂因素（年龄、合并症、治疗史）无法完全消除
• TCR 多样性是描述性特征，论文自述"repertoire 约束的功能意义仍不清楚"
• 5 年 DFS 的 55.2% vs 24.2% 在正文中以 “IC patients compared to IS” 的语序表述，读者容易读反——注意数值与分组的对应（IC 55.2%、IS 24.2%），见坑 4

§8 与同领域资源的对照

8.1 与泛癌单细胞图谱的关系

Human Cell Atlas（库内 rid 319）、Tabula Sapiens（329）、CZ CELLxGENE（38）提供的是健康或泛癌的组织参考；本数据集提供的是同一癌种内按免疫状态分层的疾病对照。前者回答"皮肤里有哪些细胞类型"，后者回答"当全身免疫被压制时，这些细胞怎么重新排布"。二者互补而非替代。

8.2 与空间组学基准的关系

Spatial Touchstone（rid 1104）评的是空间转录组技术的重现性；本数据集评的是生物学差异。若要评估某个空间分析流程是否可靠，应先在 Touchstone 上验证，再拿本数据做生物学发现。反过来，若用本数据做方法比较，需要注意这里的样本数（81 核 / 45 例）和基因 panel（350 基因）都不适合当基准。

8.3 与皮肤影像数据集的关系

库内 skincap（782）与 skincon（784）是皮肤镜/临床图像的分类与分割数据集，与本条目的组学层面完全不同。三者唯一的共同点是"皮肤"，检索时务必区分"皮肤图像 AI"与"皮肤肿瘤微环境组学"。

8.4 与同批脑组织空间图谱的区分

amygdala-spatial-atlas（1200）与 brain-snrna-ad-atlas（1199）是神经科学的空间/单核图谱，目标组织是脑，平台以 Visium/MERFISH 与 snRNA-seq 为主。本条目是皮肤肿瘤 + 免疫学，平台是 DBiT-seq 空间 ATAC 与 Xenium。共享的只有"空间组学"这一方法学标签。

§9 方法学启示

9.1 多平台不是"互相验证"，而是"各说各话"

论文最诚实的一句话是：scRNA-seq 给相对比例、mIF 给绝对密度、Xenium 给空间邻域、空间 ATAC 给调控状态，这些平台在设计上不可直接定量互证。这一点被写进了 limitations。读者若把"scRNA-seq 里巨噬细胞比例没变"和"mIF 里巨噬细胞密度下降"当成矛盾，是把两种测量混为一谈。

9.2 tixel 的代价与价值

空间 ATAC 的分辨率取决于微流控通道宽度（Portal50 为 50 通道），每个 tixel 覆盖的是一小片组织而非单细胞。因此它的注释依赖"从 Xenium 迁移标签"（Seurat FindTransferAnchors + ArchR GeneIntegrationMatrix），本质是跨模态标签迁移而不是单细胞分辨率的直接测量。这是该技术当前的普遍局限，不是本文独有的问题。

9.3 免疫状态的"病因分层"值得推广

把 IS 拆成"器官移植"与"血液肿瘤"两类分别比较，是本研究的加分设计。结果很清楚：CD4+ T 细胞缺陷主要出现在血液肿瘤（系统性淋巴清除），而髓系的空间缺陷跨越病因。任何研究"免疫抑制"的团队都应做这一步，否则会把不同机制混成一个平均效应。

9.4 表观层面的"反差"是真正的发现

ATF3 motif 在 IC 的 C12 簇富集，但全局 ATF3 活性分在 IS 更高——这类"局部 vs 全局"的反差在 bulk 数据里根本看不到。它提示：免疫抑制的表观特征不是"某个因子变强/变弱"，而是"同一个因子在不同空间位置的富集模式改变"。这也是空间表观基因组学相对 bulk ATAC 的核心增量。

§10 避坑清单

坑 1：GSE306129 的"16 样本 / 14 患者"与实际 28 个 GSM 不符

GEO 的 overall design 原文写 Spatial ATAC was performed in 16 samples of tumor tissue obtained from 14 untreated patients (7 immunosuppressed, 9 immunocompetent)，但同一页面的样本列表有 28 个 GSM，而论文正文写 14 samples obtained from NMSC patients with cSCC and BCC (7 IS and 7 IC)。三种说法两两不合。本条目据样本标题计数（Cohort 1 = 16、Cohort 2 = 12）推定"28 = 16 + 12"，并把它标为推定而非事实。如果你只读 GEO design 就去写代码，会少加载一半样本。

坑 2：GSE316922 的患者级划分有两套

GEO design：36 samples ... (23 immunosuppressed and 13 immunocompetent) obtained from 30 untreated patients；论文正文：36 samples obtained from 30 patients (18 IS and 12 IC)。样本数一致（36），但 IS/IC 与患者数的对应关系不一致（23+13=36 是样本；18+12=30 是患者）。做分组统计时必须以样本表为准，不能拿论文的 18/12 去切 36 个矩阵。

坑 3：Xenium 的"81 样本 / 45 例（23 IC and 58 IS）"内部矛盾

81 > 45，且 23+58=81 明显是样本计数被误写成患者计数。GEO 的 GSE306130 又写 12 tissue samples and 2 tissue microarrays containing 91 cores，与 81 核也不一致。任何引用"81 例患者"的说法都是错的；正确写法是"81 个样本核，来自 45 例患者，GEO 记录为 12 样本 + 2 张 TMA（91 cores）"。

坑 4：DFS 数值与分组语序容易读反

正文原句为 5 years DFS of 55.2% vs 24.2% in IC patients compared to IS。数字顺序是 55.2 在前、24.2 在后，分组顺序是 IC 在前、IS 在后，因此 IC = 55.2%、IS = 24.2%。这与 OS（IC 68.8 / IS 33.3）方向一致。二手转述里经常写成"IS 55.2%"，是读错了。

坑 5：GEO 标题与 Cell 正式题名不同

GEO 系列标题是 …reveals macrophage dysfunction…（早期投稿题名），Cell 正式题名是 …reveals altered macrophage states…。用 GEO 标题去检索引文会漏掉一部分文献，反之用正式题名去搜 GEO 也会漏。正确做法是用 DOI 或 PMID 反查。

坑 6：GSE306129 挂两个平台

!Series_platform_id = GPL24676 与 GPL34284 同时出现，而 GSE316922 只有 GPL34284。只看一个平台号去做注释映射会出错。另外 GSE306129 的 Series Type = Other，不是标准的 ATAC-seq 类型，按类型过滤的管线会把它漏掉。

坑 7：代码仓库写 GitHub、实际主库在 GitLab

论文正文写 All custom analysis code ... is available on GitHub (https://gitlab.com/railab/...)——URL 指向 GitLab。真正在 GitHub 上的是空间 ATAC 流水线 atlasxomics/ATX_epigenomics。两个仓库都要看，前者是分析代码，后者是上游处理流程。

坑 8：Zenodo / figshare 链接带 token 或账户路径

论文给的 mIF 链接带 JWT token，figshare 给的是 /account/articles/ 而不是 /articles/。这类链接在别人浏览器里可能直接 403。本条目已实际测试 figshare API 返回 403、Zenodo record 未能确认公开性，故记为遗留疑点。不要以为"论文里给了链接"就等于"公开可下"。

坑 9：raw 序列缺失不是 bug 而是设计

GSE306129 与 GSE308361 都明确写 Raw files for human/patient samples were not submitted to GEO due to concerns about submitting personally identifiable sequence data for open access。这不是"作者忘了传"，而是有意的隐私保护。任何声称"从 GSE306129 原始 fastq 重跑"的教程都是错的。

坑 10：不要把"免疫细胞没减少"理解为"免疫没问题"

论文的核心是"数量保留、功能与排布被破坏"。二手报道里常见的简化——“免疫抑制患者的肿瘤里免疫细胞一样多，所以 ICI 应该同样有效”——与本研究的结论方向相反：作者恰恰认为需要新的局部先天免疫策略，而不是直接套用 ICI。

§11 总结

11.1 三句话总结

1. 这是 MD 安德森团队建立的 NMSC 免疫抑制 vs 免疫正常空间多组学资源，主锚是 GSE306129（空间 ATAC，28 样本）与 GSE316922（scRNA-seq，36 样本）。
2. 核心结论是"免疫细胞数量没有显著减少，减少的是瘤内巨噬细胞密度、抗原呈递功能与空间组织"——IC 的巨噬细胞贴着肿瘤，IS 的成纤维细胞把 T 细胞围在外围。
3. 由此提出对 IS 患者采用局部先天免疫激活而非全身 ICI 的治疗思路，并为后续试验提供了可检验的生物标志物候选。

11.2 适合谁

• 研究肿瘤免疫微环境、尤其是"免疫抑制状态"下 TME 重塑的团队
• 想学习空间表观基因组（DBiT-seq / ArchR）与空间转录组（Xenium）整合流程的方法学者
• 设计器官移植受者或血液肿瘤患者免疫治疗试验的临床研究者
• 需要"按免疫状态分层"的皮肤肿瘤公开数据做外部验证的建模团队

11.3 不适合谁

• 想要"皮肤病变图像分类"数据的人（请去 skincon / skincap）
• 想要 paired multiome 单细胞数据的人（本研究的 scMultiome 只有 8 个样本，主锚不是它）
• 想要"原始 fastq 做全流程复现"的人（raw 未公开）
• 想要"大样本、多中心、前瞻性"证据的人（这是回顾性队列 + 多平台观察性研究）

11.4 30 秒决策卡

你的问题	去看
巨噬细胞到底怎么了	§4.2 + §4.3
T 细胞为什么不行	§4.4
空间上发生了什么	§5.1 + §5.3
表观层面有什么	§5.4
数据怎么下、多大	§2.2 + §2.3 + §6.2
有哪些坑	§10

FAQ（高频问答 32 问）

A. 基础认知

FAQ-1：这个数据集有没有一个官方简称？
没有。论文没有给出数据集名称（不像 TCGA、HuBMAP 那样有专名），GEO 记录只是论文标题加方法后缀。本条目用 nmsc-spatial-atlas 作为检索 slug，属本库自拟标识，不是作者命名。

FAQ-2：NMSC 包含哪些癌种？
论文口径为基底细胞癌（BCC）与皮肤鳞状细胞癌（cSCC），并提到 1 例兼具两者特征。黑色素瘤不属于 NMSC。

FAQ-3：为什么要把 NMSC 单独拿出来研究？
因为它是美国最常见的恶性肿瘤，cSCC 是第二常见亚型且更具侵袭性；更关键的是，免疫抑制人群的发病率极高（移植受者 cSCC 风险 65–250 倍），且预后显著更差。

FAQ-4：免疫抑制（IS）怎么定义？
移植（实体器官或干细胞）、活动性血液肿瘤或其他骨髓增殖性疾病、需要免疫抑制治疗的自身免疫病或长期激素、HIV/AIDS、胰岛素依赖型糖尿病，任一即算。

FAQ-5：免疫正常（IC）组怎么选的？
用于 mIF 与空间分析的 IC 患者按年龄与 T 分期与 IS 组匹配（AJCC 第 8 版），以减少分期与年龄带来的混杂。

FAQ-6：这项研究是回顾性还是前瞻性？
混合。临床结局部分是回顾性（1998–2025 年注册库筛选，豁免知情同意）；scRNA-seq 部分来自 Mohs 门诊连续患者，签署了知情同意。

B. 数据与获取

FAQ-7：GSE306129 和 GSE316922 是同一批样本吗？
不是配对样本。同一研究、同一团队、同一论文，但一条是空间 ATAC、一条是 CD45+ scRNA-seq，样本数与患者数都不同。不要假设可以按样本 ID 做一对一匹配。

FAQ-8：GSE306129 有多大？
RAW.tar 精确 41,013,575,680 字节，FTP 网页显示约 38 GiB。加上解压后体积，建议预留 100 GiB 以上磁盘。

FAQ-9：GSE316922 有多大？
RAW.tar 1,687,633,920 字节，约 1.6 GiB；108 个样本级文件（36 样本 × 3 文件）。

FAQ-10：GSE306129 有 raw fastq 吗？
没有。GEO 明确说明出于可识别序列数据顾虑未提交 raw。只有 processed fragments + spatial 文件。

FAQ-11：GSE306130 是什么？为什么体积 95 GiB？
Xenium 空间转录组的原始/处理输出，含影像与大矩阵，RAW.tar 101,724,723,200 字节，FTP 显示约 95 GiB。它不是本条目主锚，但同一论文可互引。

FAQ-12：GSE318638 只有 14 MB，是不是数据不全？
该记录是 scTCR-seq，只提供了克隆型汇总类文件（34 个样本、36 个文件），不含原始读段。需要原始 TCR 读段的话，本资源无法满足。

FAQ-13：怎么快速知道每个样本属于哪个队列？
看 GSM 标题：D编号_癌种_免疫状态_Cohort N。GSE306129 的 28 个样本中 Cohort 1 = 16、Cohort 2 = 12；癌种与免疫状态也可直接从标题解析。

FAQ-14：要复现空间 ATAC 分析需要哪些软件？
ArchR（iterative LSI、gene score、motif，chromVAR）、macs2（peak calling）、Seurat v3.2.3 与 v5 混合使用、addReproduciblePeakSet、addGroupCoverages。上游处理流程在 atlasxomics/ATX_epigenomics（固定 commit 218fdc0a）。

FAQ-15：要复现 Xenium 分析需要什么？
Xenium Explorer v2 做可视化，Seurat 做标签迁移（FindTransferAnchors），stLearn 做细胞-细胞互作（置换检验）。基因 panel 是定制 350 基因，探针序列在论文补充表 S8。

C. 结论与统计

FAQ-16：核心发现到底是什么？
免疫细胞总量基本不变；瘤内 CD68+ 巨噬细胞密度下降（p=0.022 / 外部 p=0.029）；巨噬细胞吞噬与抗原呈递相关通路下调；CD8+ T 细胞克隆多样性下降（Shannon p=0.014）；IS 中成纤维细胞包围 CD8+ T 细胞。

FAQ-17："免疫细胞没减少"是不是说 IS 和 IC 一样？
不是。数量层面相似，功能与空间层面显著不同。论文的措辞是"composition largely preserved despite differences in distribution, spatial organization, and T cell clonality"。

FAQ-18：CD68+ 密度差异的效应量有多大？
论文只报告了 p 值与密度分布（cells/mm²，log2），未在主文给出统一的效应量（如 Cohen’s d）。若需要，必须回到补充表 S3 与原始 mIF 数据自行计算——本条目不编造效应量。

FAQ-19：2,947 个 CD8+ DEG 是不是说明差异很大？
差异基因数量与生物学效应大小不是一回事。2,947 是在 FDR<0.05 下、36 个样本规模上的统计结果，具体效应量需看 log2FC 分布（论文补充表 S5）。

FAQ-20：TCR 多样性下降是在 BCC 里也有吗？
没有。分层分析显示只有 IS 的 cSCC 出现 CD8+/CD4+ 克隆多样性下降，BCC 没有复现。这是一条重要的限定。

FAQ-21：移植受者和血液肿瘤患者的免疫缺陷一样吗？
不一样。血液肿瘤患者 CD4+ T 细胞浸润显著更低（mIF p=0.006 / p=0.034），而巨噬细胞与 DC 比例在两类病因间相近。髓系缺陷"跨病因"，T 细胞缺陷"看病因"。

FAQ-22：5 年 DFS 到底是哪组高？
IC 高：IC 55.2%、IS 24.2%。与 OS（IC 68.8%、IS 33.3%）方向一致。

FAQ-23：基质 CD68+PD-L1+ 高密度为什么在 IS 里预后更差？
论文的解释是：该群细胞在特定空间背景下可能扮演促瘤角色。这是一个相关性观察（p<0.001），机制未在本研究中直接验证。

D. 技术与平台

FAQ-24：DBiT-seq 和 10x Visium 有什么不同？
Visium 测的是 mRNA，spot 直径 55 μm；DBiT-seq 在此应用里测的是染色质可及性，用 50 通道微流控形成 tixel 网格。两者都是"带空间坐标的测序"，但分子层不同。

FAQ-25：tixel 是单细胞吗？
不是。tixel 是微流控行列交叉形成的小方块，分辨率由通道宽度决定，通常含多个细胞。论文的细胞类型注释依赖从 Xenium 迁移标签。

FAQ-26：空间 ATAC 的 QC 指标是多少？
每样本 peak 中位数 10 万、tissue 上平均 7 万 fragments、TSS score 3.5、10% 高质量 fragments 落在 peak 内。cohort 2 中 IC/IS 之间的 fragment 计数一致性 R² > 0.9。

FAQ-27：Xenium panel 为什么是 350 基因？
定制 panel，覆盖皮肤、上皮、黑色素细胞、免疫、成纤维、神经、神经嵴、间充质、干细胞表型与阴性对照。350 基因是设计选择，不是平台上限。

FAQ-28：有没有用到 AI/深度学习？
方法栈里有 CellTypist（机器学习细胞注释）、inForm 的机器学习表型分类、stLearn 的空间互作推断，以及图形摘要使用 AI 辅助图像生成（致谢中披露，作者审校）。没有训练大模型或做预测建模。

E. 生产与库内

FAQ-29：库内有哪些可互链条目？
GEO（rid 42）、CZ CELLxGENE（38）、Human Cell Atlas（319）、Tabula Sapiens（329）、HuBMAP（517）、Spatial Touchstone（1104）、Inflammation Atlas（1189）、brain-snrna-ad-atlas（1199）、amygdala-spatial-atlas（1200）、ENCODE（574）、GTEx（568）、TCGA（566）、CPTAC（259）、HNSCC-CT-Atlas（1051）、HANCOCK（984）、Multi-OSCC（1170）、skincap（782）、skincon（784）。

FAQ-30：这个条目会不会和其他皮肤数据集混淆？
会。skincap 与 skincon 都是皮肤影像，本条目是组学。检索时加 “spatial” 或 “GSE” 关键词可区分。

FAQ-31：为什么同一研究要分成五条 GEO？
按数据类型分记录是 GEO 的惯例（同一 BioProject 下不同 assay）。本研究的五条分别是 scRNA-seq、scTCR-seq、scMultiome、Xenium、spatial ATAC，各自有独立 BioProject（PRJNA1405546 / PRJNA1419688 / PRJNA1330270 / PRJNA1309498 / PRJNA1309491）。

FAQ-32：如果只想做一个小实验验证结论，最小可行数据是什么？
建议：GSE316922 全量（1.6 GiB）做 scRNA-seq 复现 + GSE306129 的 spatial.zip（28 × 约 2.5 MB）做空间坐标层，两者合计不到 2 GiB。若要 motif 与邻域分析，则必须下 38 GiB 的 fragments。

事实清单（硬事实 40 条）

1. 论文正式题名：Spatial biology reveals altered macrophage states in immunosuppressed non-melanoma skin cancer。
2. 期刊与卷期：Cell 2026;189(19):6170–6188.e9。
3. PMID 42556334；PMCID PMC13637808；NIHMSID NIHMS2203300。
4. doi 10.1016/j.cell.2026.07.031；PII S0092-8674(26)00863-9。
5. 投稿时间线：2024-08-18 收稿、2025-10-18 修回、2026-07-17 接收、2026-08-05 上线、2026-09-17 卷期、2026-10-05 PMC 释放。
6. 作者共 33 位，通讯含 Moran Amit（lead contact）、Kunal Rai、Daniel J. McGrail、Michael R. Migden、Priyadharshini Nagarajan、Frederico O. Gleber-Netto。
7. 主机构 UT MD Anderson Cancer Center；协作 Cleveland Clinic、AtlasXomics、University of Houston、Moffitt、Rabin Medical Center、UC San Diego。
8. 总队列 138 例患者 / 150 份标本；IC 55 例（39.8%）、IS 83 例（60.1%）。
9. 癌种构成：BCC 28 例（20%）、cSCC 109 例（78.9%）、兼有 1 例。
10. 患者年龄 42–92 岁。
11. IS 病因：血液肿瘤 60 例（43.4%）、实体器官移植 14 例（10.1%）、其他 9 例（6.5%）。
12. 血液肿瘤细分：CLL 20、滤泡性淋巴瘤 7、AML 3、DLBCL 3、多发性骨髓瘤 2。
13. 移植细分：肾 4、肝 2 为主。
14. 5 年 OS：IC 68.8% vs IS 33.3%（p<0.001）。
15. 5 年 DFS：IC 55.2% vs IS 24.2%。
16. 移植受者 cSCC 风险为一般人群 65–250 倍（引言引用文献口径）。
17. GSE306129：spatial ATAC，28 个 GSM，GPL34284 + GPL24676，BioProject PRJNA1309491。
18. GSE306129 RAW.tar = 41,013,575,680 字节（约 38 GiB）。
19. GSE306129 样本级文件 56 个：28 个 fragments.tsv.gz（559,995,759–2,734,139,141 字节）+ 28 个 spatial.zip（2,801,498–3,475,197 字节，约 2.8–3.5 MB）。
20. GSE306129 提交 2025-08-22，公开 2026-08-07，最后更新 2026-08-08，BioProject PRJNA1309491。
21. GSE306129 声明 raw 文件因可识别序列数据顾虑未提交。
22. GSE306129 的 overall design 写 16 样本 / 14 例（7 IS + 9 IC）。
23. GSE306129 的 28 个样本按标题拆分：BCC 16、cSCC 12；IS 16、IC 12；Cohort 1 = 16、Cohort 2 = 12。
24. GSE316922：scRNA-seq，36 个 GSM，GPL34284，BioProject PRJNA1405546。
25. GSE316922 RAW.tar = 1,687,633,920 字节（约 1.6 GiB）。
26. GSE316922 样本级文件 108 个：每样本 barcodes.tsv.gz / features.tsv.gz / matrix.mtx.gz。
27. GSE316922 提交 2026-01-20，公开 2026-08-07，最后更新 2026-08-08。
28. GSE316922 overall design：36 样本（23 IS + 13 IC）来自 30 例未治疗患者，FACS 富集 CD45+。
29. 论文 scRNA-seq 口径：36 样本 / 30 例（18 IS + 12 IC），共 226,170 个细胞，25 簇归并为 10 大类。
30. 论文空间 ATAC 口径：14 样本（7 IS + 7 IC）。
31. 空间 ATAC QC：peak 中位 10 万/样本、7 万 fragments/组织、TSS 3.5、10% 高质量片段落在 peak。
32. Xenium：81 样本核 / 45 例 cSCC，350 基因定制 panel；GEO 记录为 12 样本 + 2 张 TMA（91 cores）。
33. mIF 外部验证队列：Cleveland Clinic 54 例 cSCC（29 IS / 25 IC）。
34. scMultiome：8 样本（4 IS + 4 IC），21 个细胞类型簇。
35. 瘤内 CD68+ 巨噬细胞密度：IC 高于 IS，p=0.022；外部队列 p=0.029。
36. 基质 CD68+ 密度高于瘤内（两组均 p<0.0001）；IS 瘤内 CD68+PD-L1+ 低于基质（p<0.0001）。
37. CD8+ T 细胞 2,947 个 DEG；CD4+ T 细胞 2,181 个 DEG。
38. CD8+ 超扩增克隆 IS 更少（Fisher p=0.0005）；TCR Shannon 多样性 CD8+ p=0.014、CD4+ p<0.001。
39. 表观：C12 富集 MAF motif；C1 富集 CUX1；ATF3 motif 仅在 IC 的 C12 高富集而全局 GAS 在 IS 更高；IS pseudobulk 富集 ETS/HNF4/SPI1/ETV4，IC 富集 GRHL1/TP53/TP63/POU2F2/FOXF2。
40. 其他三条 GEO：GSE306130（Xenium，101,724,723,200 字节）、GSE318638（scTCR-seq，14,725,120 字节，34 样本/29 例）、GSE308361（scMultiome，23,299,307,520 字节，8 样本）。

附录 A：条目信息速查卡

项	值
slug	nmsc-spatial-atlas
主锚 GEO	GSE306129（28 GSM，38 GiB）、GSE316922（36 GSM，1.6 GiB）
同研究 GEO	GSE306130（95 GiB）、GSE318638（14 MB）、GSE308361（22 GiB）
论文	Cell 2026;189(19):6170–6188.e9，PMID 42556334
队列	138 例 / 150 份标本
核验时点	2026-10-17
核验来源	GEO E-utilities + GEO FTP filelist + PubMed efetch + Europe PMC + PMC 全文 + Crossref

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	论文高影响期刊 + 五条 GEO 互有 BioProject 与 PMID 链接；但无独立数据集名称，检索依赖标题或 GSE 号
A 可获取性	6	主锚两条公开直链、无需申请；扣分在 raw 序列缺失与 mIF/Xenium 镜像链接带 token
I 可互操作	6	10x 三件套 + ArchR fragment 为通用格式；无统一 h5ad 版本；DBiT-seq 的 spatial.zip 需专用工具解析
M 元数据质量	4	GEO design 文字与实际 GSM 数不符（坑 1）、Xenium 样本/患者数矛盾（坑 3）、样本级临床元数据不在 GEO 表内而落在补充表
S 可持续性	7	NCBI GEO 长期托管；代码分散在 GitLab 与 GitHub 两处，镜像依赖 token 链接是单点风险
综合评级	6.2/10（中上）	数据本体质量高、生物学发现重要；扣分集中在本体之外的元数据一致性与镜像可及性

附录 C：逐项证据链自证

结论	证据来源	具体位置
GSE306129 样本数 28	GEO E-utilities esummary + esearch	n_samples: 28；GSM 列表 28 条
GSE306129 archive 41,013,575,680 B	GEO FTP filelist.txt	第 2 行 Archive 行
GSE316922 36 样本、1.6 GiB	同上	n_samples: 36；Archive 1,687,633,920
论文卷期与页码	PubMed efetch + Crossref	189(19):6170-6188.e9
5 年 OS/DFS	PMC 全文 Results 段	“5-years OS of 33.3% compared with 68.8%”
CD68 p=0.022	PMC 全文 Results 段	Figure 2B 描述段
2,947 / 2,181 DEG	PMC 全文 Results 段	T 细胞 DEG 段
MAF/CUX1/ATF3	PMC 全文 Results 段	空间 ATAC TF motif 段
raw 未提交声明	GEO Series overall_design	* 分隔的原文声明

附录 D：核验方法学记录（三源互证是怎么做的）

本条目的事实并非从二手报道抄录，而是按"原始记录优先"的顺序逐层实抓。记录方法有助于后来者复核，也有助于判断哪些字段可信度更高。

D.1 四个来源层级

层级	来源	用途	可信度判断
一级	GEO FTP suppl/filelist.txt	文件清单、精确字节、时间戳	最高：机器生成，不受叙述影响
一级	GEO acc.cgi?form=text	series 元数据、overall design、平台号、BioProject	高：作者填写，可能滞后
一级	GEO E-utilities esummary（db=gds）	样本列表、GSM 标题、n_samples	高：与数据库中样本行一一对应
一级	PubMed efetch（XML）	作者、卷期、页码、时间线、资助、版权	高：NLM 建档数据
一级	PMC 全文 HTML（PMC13637808）	正文数字、方法、数据可用性声明	高：作者稿原文
二级	Crossref API	DOI 元数据、许可条款、页码	高：出版商提交
二级	Europe PMC REST	开放获取状态、许可、镜像可用性	中高：聚合层
三级	GEO 镜像站（如 seqout、usebiotransfer）	交叉比对样本分组	中：非官方，仅作旁证

D.2 三处关键核验

核验一：GSE306129 的真实样本数。
先由 E-utilities 得到 n_samples: 28，再由 esummary 的 samples 数组逐条列出 28 个 GSM 标题，最后由 acc.cgi?form=text 取到 overall design 文字（16 samples / 14 patients）。三者不一致时，以 GSM 列表为准——因为 GSM 是数据库里的真实行，design 文字是作者手填的描述。

核验二：两条 GEO 是否为同一研究的不同组学层。
三条互证：两条记录的 Series_pubmed_id 都是 42556334；两条记录的 summary 文本高度相似但一条强调"antigen presentation by macrophages"、另一条强调"functional suppression and disrupted spatial organization"；论文的 Data availability 段落明确把 GSE316922 标为 scRNA-seq、GSE306129 标为 spatial ATAC。结论成立，但不是同一批样本的配对（见 §1A）。

核验三：补充文件大小。
不采信网页显示的四舍五入值（“38G”、“1.6G”），而是从 filelist.txt 的 Archive 行取精确字节：41,013,575,680 与 1,687,633,920。两者换算后分别为 38.2 GiB 与 1.57 GiB，与网页显示一致，说明没有镜像差异。

D.3 未能确证的三项

项	尝试方式	结果	处理
Zenodo 20561071 的公开性与许可	直接调 Zenodo REST API	返回 403	记为遗留疑点，正文写"未确认"
figshare 30296713 的公开性	调 figshare API v2	返回 403	同上
是否存在 bioRxiv 预印本	未做专门检索	未确认	不写入正文

附录 E：术语与本库其他条目的对应关系

本条目术语	可对应的库内条目	关系说明
空间转录组 / Xenium	spatial-touchstone（rid 1104）	后者是技术基准，前者是生物学应用
单细胞图谱	human-cell-atlas（319）、tabula-sapiens（329）	后者提供健康参考，前者提供疾病对照
单细胞数据平台	cellxgene（38）、cellxgene-census（1035）	分发渠道，非同一实体
空间多组学基础设施	hubmap（517）	平台级项目，含成像与组学
表观基因组	encode（574）	参考元件目录，本条目用其 motif 集之外的 cisbp 集
鳞癌病理	multi-oscc-histopath（1170）、hancock-hnscc（984）、hnscc-ct-atlas（1051）	同为鳞癌但组织部位不同（口腔/头颈），且为影像或病理图像
皮肤影像	skincap（782）、skincon（784）	同一器官、不同模态
肿瘤多组学	tcga（566）、cptac（259）	泛癌参考，本条目为单一癌种深描

附录 F：30 秒速答卡（面向不同读者）

给临床医生：免疫抑制的皮肤癌病人，肿瘤里免疫细胞并没有少，少的是一类本该贴着肿瘤站岗的巨噬细胞；这篇文章给出了局部免疫治疗而非全身 ICI 的分子依据。5 年生存 33.3% vs 68.8% 是这个群体需要新方案的直接理由。

给生信分析师：两条主锚记录，38 GiB + 1.6 GiB；空间 ATAC 是 DBiT-seq 的 tixel 数据，fragment 表 + spatial 坐标包；scRNA 是标准三件套；没有 raw，peak 要自己重算。

给方法学者：这份数据最大的方法学价值是"多平台各说各话"的实证——相对比例、绝对密度、空间邻域、染色质状态四种测量在同一批病人身上给出互补但不可互换的结论。

给数据集策展人：这是一个"元数据拖后腿"的典型案例——数据本体质量很高，但 GEO design 文字与实际样本数不符、镜像链接带 token、代码写在 GitHub 其实在 GitLab。AI-Ready 的瓶颈常常不在数据，而在描述数据的那些字。

附录 G：引用格式建议

论文（Vancouver 风格）：

Naara S, Kochat V, Rao X, Arslan E, Saddawi-Konefka R, Satpati S, et al. Spatial biology reveals altered macrophage states in immunosuppressed non-melanoma skin cancer. Cell. 2026;189(19):6170-6188.e9. doi:10.1016/j.cell.2026.07.031. PMID: 42556334.

数据（GEO 风格）：

Naara S, Kochat V, Rao X, et al. Spatial biology reveals macrophage dysfunction in immunosuppressed non-melanoma skin cancer [spatial_ATAC]. Gene Expression Omnibus. 2026. Accession GSE306129. https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE306129

Naara S, Kochat V, Rao X, et al. Spatial biology reveals macrophage dysfunction in immunosuppressed non-melanoma skin cancer. Gene Expression Omnibus. 2026. Accession GSE316922. https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE316922

注意：GEO 标题与论文标题不同（坑 5），引用时两条记录各用各的标题，不要把论文题名硬套到 GEO 上，也不要把 GEO 标题硬套到论文上。

附录 H：常见误读速查

误读	事实	出处
“免疫抑制患者免疫细胞更少”	总量与相对比例基本保留	§4.1
“巨噬细胞只是变少了”	数量（瘤内密度）下降 + 功能（吞噬/抗原呈递）下降 + 空间位置改变，三者叠加	§4.2–4.3
“IS 的巨噬细胞全面失活”	部分炎症程序（经典激活）反而呈正 z 分数	§4.3
“81 例患者的 Xenium 数据”	81 个样本核、45 例患者	坑 3
“IS 的 DFS 55.2%”	IC 55.2%、IS 24.2%	坑 4
“GSE306129 有 16 个样本”	GSM 实为 28 个	坑 1
“论文是开放获取（CC）”	Elsevier 版权；PMC 作者稿免费但非 CC	§6.3
“代码在 GitHub”	主分析代码在 GitLab；GitHub 只有上游流水线	坑 7
“能从原始 fastq 重跑”	raw 未提交	坑 9
“TCR 多样性下降对所有 NMSC 都成立”	仅 cSCC 显著，BCC 未复现	§4.5

附录 I：术语表（28 条）

术语	英文	释义
NMSC	non-melanoma skin cancer	非黑素瘤皮肤癌，含 BCC 与 cSCC
BCC	basal cell carcinoma	基底细胞癌，NMSC 中最常见
cSCC	cutaneous squamous cell carcinoma	皮肤鳞状细胞癌，更具侵袭性
IS	immunosuppressed	免疫抑制状态（本研究按病因五类定义）
IC	immunocompetent	免疫正常（年龄与 T 分期匹配）
TME	tumor microenvironment	肿瘤微环境
TAM	tumor-associated macrophage	肿瘤相关巨噬细胞
RTM	resident-tissue macrophage	组织驻留巨噬细胞（CD163+MS4A7+MAF+MRC1+）
LA-TAM	lipid-associated TAM	脂质相关 TAM（APOC1+APOE+LPL+）
ECM-Deg TAM	ECM-degradation TAM	细胞外基质降解型 TAM（MMP9+SPARC+）
IFN-TAM	interferon-responsive TAM	干扰素应答 TAM（CXCL9/10+IFITM1/3+）
Inflam-TAM	inflammatory cytokine-enriched TAM	炎症因子富集 TAM
Prolif-TAM	proliferative TAM	增殖型 TAM（MKI67+）
APC	antigen-presenting cell	抗原呈递细胞
DC	dendritic cell	树突状细胞
cDC2	conventional type 2 DC	经典 2 型树突状细胞
CCI	cell-cell interaction	细胞-细胞互作
LR pair	ligand-receptor pair	配体-受体对
TCR	T-cell receptor	T 细胞受体
clonal expansion	—	克隆扩增（同一 TCR 型别多细胞出现）
TCR diversity	—	TCR 多样性（Shannon / Inverse Simpson / Chao）
Morisita index	—	克隆重叠指数
niche	生态位	空间上特定细胞组合的高频邻域
DBiT-seq	deterministic barcoding in tissue sequencing	组织确定性条码测序（空间 ATAC 上游）
tixel	—	DBiT-seq 微流控行列交叉形成的小方块
GAS	gene accessibility score	基因可及性得分（ArchR）
spEP cluster	spatial epigenomic cluster	空间表观簇
ICI	immune checkpoint inhibitor	免疫检查点抑制剂

附录 J：证据强度分级表

读者最常问的一句是"这个结论有多硬"。下面按证据类型给每条主要结论标注强度，避免把观察性与因果性混为一谈。

结论	证据类型	样本/规模	强度评级
IS 组 5 年 OS 更差	回顾性队列生存分析	138 例（55 IC / 83 IS）	强（大样本、方向明确），但混杂未完全校正
瘤内 CD68+ 巨噬细胞密度 IS 更低	原位 mIF 计数 + 外部机构复现	主队列 + 54 例外部	强（两机构、p=0.022 / p=0.029）
免疫细胞相对比例两组无差异	scRNA-seq 比例比较	36 样本 / 226,170 细胞	较强（单平台，相对量指标）
CD8+ T 细胞克隆多样性下降	TCR 测序 + 多重多样性指数	34 样本 / 29 例（GSE318638）	较强，但仅 cSCC 显著
IS 空间生态位重构（成纤维围 T 细胞）	Xenium 空间邻域 + 空间 ATAC 邻域	81 cores / 28 tixel 样本	中等（两层互证，但统计功效受限）
MAF / ATF3 / CUX1 调控程序差异	motif 富集（ArchR + chromVAR）	14 样本（cohort 1）	中等（motif 富集是间接证据，非直接功能实验）
局部先天免疫激活可改善 IS 患者预后	推论与文献支持	无干预实验	弱（假设生成，非本研究验证）
髓系缺陷跨病因、T 细胞缺陷看病因	分层比较	mIF + scRNA-seq	中等（分层后样本量变小）

读法：前两行可以直接写进综述；中间三行适合做假设来源；最后两行必须标注为"作者提出"或"待验证"。

附录 K：与库内条目的互链建议（正文版）

R012 纪律要求互链说明写在正文、不写进 frontmatter。以下为建议的正文互链语义，供发布后编辑参考：

库内条目	rid	建议互链语义
GEO	42	本源数据托管平台；本条目两条记录均在该库，可回溯 GSE 号
CZ CELLxGENE	38	若将本研究的 scRNA-seq 矩阵转为 h5ad 并提交，可与此平台的单细胞分发体系对接
Human Cell Atlas	319	健康皮肤细胞参考图谱，与本研究"疾病状态下的重排"形成对照
Tabula Sapiens	329	跨组织单细胞参考，可作皮肤亚群的基线比例
HuBMAP	517	空间组学基础设施与标准，本研究的 DBiT-seq 数据可与之比较制图规范
Spatial Touchstone	1104	空间转录组重现性基准，本研究的 Xenium 数据适合做"生物学差异"而非"技术基准"
Inflammation Atlas	1189	炎症状态下的免疫细胞图谱，与本研究的 IS 状态有机制交集
brain-snrna-ad-atlas	1199	同为单细胞/空间图谱，但组织为脑、疾病为 AD，方法学互链
amygdala-spatial-atlas	1200	同为空间转录组图谱，组织为杏仁核，方法学互链
ENCODE	574	染色质与调控元件参考，可作 motif 与 peak 注释的外部参照
GTEx	568	正常组织表达参考，可作皮肤基线表达对照
TCGA	566	泛癌多组学参考；注意其皮肤癌子集以黑色素瘤 SKCM 为主，与本条目的 BCC/cSCC 不同癌种，只能做方法学对照
CPTAC	259	蛋白质基因组，可与 mIF 的蛋白层观察互证（不同癌种）
skincap	782	皮肤影像分割，与本条目同器官不同模态
skincon	784	皮肤影像概念标注，同上

一条重要提醒：TCGA 里的皮肤癌子集以黑色素瘤（SKCM）为主，非黑素瘤皮肤癌在 TCGA 中覆盖极少。若把本研究与 TCGA 对照，必须先确认癌种，不能按"皮肤癌"一词直接匹配。

附录 L：常见工程问题排查表

症状	可能原因	处置
ArchR 读入后所有细胞聚成一个点	spatial 坐标未正确关联	检查 barcode 命名（有无 -1 后缀、大小写），确认 spatial 表与 fragments 条码一一对应
peak 数远超 10 万/样本	未剔除组织外的 tixel	用 AtlasXBrowser 生成的元数据剔除 nontissue tixel，再做 peak calling
UMAP 上 IC 与 IS 完全分开	批次效应未去除	该平台未使用 Harmony（Harmony 用于 scRNA），空间数据中批次主要通过 LSI 前过滤与聚类分辨率控制
motif 富集全空	cisbp motif 注释未安装	预先在 ArchR 中运行 addMotifAnnotations(ArchRProj, motifSet = "cisbp")
scRNA-seq 合并后细胞数异常（远超 226,170）	未做双细胞去除或 QC 阈值过松	对照论文阈值：≥500 个基因、线粒体比例 ≤10%、DoubletFinder 去除
TCR 克隆型与 scRNA 对不上	两条记录的样本划分不同（36 vs 34）	注意 GSE316922 与 GSE318638 是两条记录，样本数不同，需按 barcode 交集对齐
生存分析做不出来	患者级临床数据不在 GEO	需从论文补充表 S1 获取，且要按患者而非样本去重
Xenium 数据打不开	定制 panel 与公开 ref 不匹配	350 基因为定制 panel，必须用论文补充表 S8 的探针列表，通用 reference 会全错

附录 M：资源评估小结（给决策者）

若要用三句话向一个非技术决策者解释这份资源值不值得用：

1. 它解决的是真问题：免疫抑制人群的皮肤癌预后差一倍，而此前没人系统回答"他们的肿瘤微环境到底哪里不一样"。
2. 它的证据链完整：从 138 例临床队列出发，经单细胞、多重免疫荧光、空间转录组、空间表观基因组四条线交叉，最后落到调控程序与空间邻域两个机制层。
3. 它的数据可用但有门槛：两条主锚记录公开直链，但空间 ATAC 需要 38 GiB 磁盘、ArchR 环境与一定的空间数据分析经验；元数据的多处不一致需要使用者自行核对，不能盲信 GEO 的 design 文字。

若目标是"快速拿到一个可用的免疫抑制肿瘤微环境参照"，它的性价比高于自建队列；若目标是"严格复现全文图件"，则需要准备额外的补充表与相当长的时间。

附录 N：统计口径逐条拆解

本节的目的是让读者能自己重算本文的每一个 p 值，而不必依赖转述。

N.1 细胞密度的统计

mIF 的密度单位为 cells/mm²，取 log2 后做两组比较。论文在 Figure 2B 图注写明"p values were determined by two-tailed Student’s t-test"。这意味着：

• 用的是参数检验，前提是 log2 密度近似正态
• 两组样本量不均衡（主队列 IC 与 IS 的标本数不同），方差齐性假设需要检查，论文未报告 Levene 检验结果
• 报告的 p=0.022 与 p=0.029 都未做多重比较校正——考虑到同时比较了 CD4、CD8、B、CD68 与 PD-L1 多个标志物，未校正的 p 值在多重检验下应当谨慎解读

N.2 差异表达基因的统计

• 工具：Seurat FindAllMarkers
• 阈值：FDR < 0.05
• 规模：CD8+ 2,947 个、CD4+ 2,181 个
• 论文未在正文给出 log2FC 的阈值，也未给出最小表达比例（min.pct）的设置——这两项会影响基因数，复现时需要去 GitLab 仓库对参数

N.3 TCR 多样性的统计

• 指标：Shannon、Inverse Simpson、Chao（补充还有 ACE）
• 检验：Bonferroni 校正的 Wilcoxon 符号秩检验
• 报告值：CD8+ Shannon p=0.014，CD4+ Shannon p<0.001
• 克隆扩增比较用 Fisher 精确检验（p=0.0005）
• 克隆重叠用 Morisita 指数（0 = 无重叠，1 = 完全一致）

注意：Wilcoxon 符号秩检验假设配对，但这里比较的是两组独立样本——论文写"Bonferroni-corrected Wilcoxon signed rank test"，从方法描述看可能是指对每对亚群做检验后校正。这是一个统计学细节上的疑点，本条目照录原文表述，不代为解释。

N.4 空间邻域与互作的统计

• 邻域：Seurat v5 生态位分析，k 近邻 + silhouette 分数选最优生态位数
• 互作：stLearn，配体-受体基因对来自 stLearn 内置库；对每个 LR 对与每个细胞类型组合，统计"连接两类细胞的显著 spot 的邻居数"，用细胞类型信息置换检验得 p 值，阈值 p<0.05
• 组间比较：BBB（box-whisker）图报告的 p 值，例如 LA-TAM p=0.048、RTM p=0.018、单核 p=0.05

N.5 生存分析

• 方法：多变量 Cox 回归 + Kaplan–Meier
• 主要终点：5 年 OS 与 5 年 DFS
• 协变量：论文未在正文完整列出，需查补充表
• 报告值：IS 与 IC 的 OS p<0.001；IS 基质 CD68+PD-L1+ 高密度与更差 OS 的 p<0.001；IC 基质 CD68+ 高密度与更好 OS 的 p=0.040

N.6 一句话总结统计强度

最硬的是生存差距与跨机构复现的巨噬细胞密度（大样本、两机构、方向清晰）；中等的是转录组与表观层的差异（单平台、多重比较未充分校正）；最软的是机制推论（motif 富集不等于功能验证）。任何写作都应保留这个梯度。

附录 O：作者、机构与致谢的要点

O.1 三位"关键人"的角色

• Moran Amit（lead contact）：头颈外科，MD Anderson；负责总体设计与临床资源，是资源获取的第一联系人
• Kunal Rai：基因组医学-MD Anderson 表观组学治疗计划；负责空间表观基因组部分，STRIDE 经费支持
• Daniel J. McGrail：Cleveland Clinic 癌症科学部；负责外部验证队列与部分计算分析

O.2 共同一作的分工（按署名顺序）

Shorook Naara（临床与样本）、Veena Kochat（表观与空间）、Xiayu Rao（生物信息）、Emre Arslan（计算）、Robert Saddawi-Konefka（临床与转化）、Suresh Satpati（表观）、Jennifer Garbarino（AtlasXomics 空间 ATAC）。PMC 用"These authors contributed equally to this work"分两组标注（16 与 17 号脚注），说明存在两组并列一作。

O.3 致谢里的三条信息

1. 图形摘要使用了 AI 辅助图像生成（作者审校）——这是 2026 年论文的常见披露
2. MD Anderson 研究医学图书馆的两位科学编辑参与了语言编辑
3. AtlasXomics 的四位成员（Nouroddin Sotoudeh Chafi、Jaden Joaquin、James McGann、Abigail Tyree）提供了空间 ATAC 方法与流水线支持

O.4 与 GEO contributor 名单的差异

GSE306129 的 Series contributor 只有 6 人（Kochat、Garbarino、Chafi、Tyree、Rai、Amit），而论文有 33 位作者。这是 GEO 提交时的惯例——只列出实际提交数据的人，不代表贡献度。引用时应以论文作者表为准。

附录 P：这份资源在"AI-Ready"光谱上的具体短板

本库评估数据集时使用 DAIMS 六维（见附录 B）。这里把评分背后的具体短板摊开，便于使用者判断改造成本。

短板	具体表现	改造成本
缺统一容器格式	空间 ATAC 是 fragment + zip，scRNA 是 mtx 三件套，没有 h5ad / zarr 版本	中（需自行转换并校验）
临床元数据不在数据层	患者级变量在补充表，GEO 只有样本标题三段	高（需人工对齐补充表与 GSM）
描述文字与数据不一致	design 写 16 样本、实有 28 GSM	低（但需要使用者知道）
外部镜像带 token	Zenodo / figshare 链接在他人环境可能失效	高（只能等作者更新或联系通讯）
代码分散	GitLab 主库 + GitHub 上游流水线	低
缺 raw 序列	GSE306129 / GSE308361 明确不发	不可改造（设计如此）
缺标准划分	无 train/test split、无基准指标	不适用（资源型而非基准型）

结论：这份资源"能不能用"的答案取决于用途——做生物学发现可以直接用；做可复现基准需要大量预处理；做隐私敏感的再识别研究则完全不可行。

附录 Q：一句话问答索引

• 一句话解释 IS 与 IC 的区别 → “数量不变、位置与功能变了”（§4.1）
• 一句话解释 MAF 的作用 → “IC 的巨噬细胞靠 MAF 维持免疫调节程序，贴着肿瘤站”（§5.4）
• 一句话解释 CUX1 的作用 → “IS 的炎症成纤维细胞靠 CUX1 驱动，把 CD8+ T 细胞围在外围”（§5.4）
• 一句话解释 ATF3 的反差 → “motif 富集在 IC、全局活性在 IS，提示空间位置决定调控状态”（§5.4）
• 一句话解释为什么要局部治疗 → “T 细胞还在、只是没被启动，修局部比全身更安全”（§7.2）
• 一句话解释数据有多大 → “38 GiB 空间 ATAC + 1.6 GiB scRNA”（§2.2）
• 一句话解释最大的坑 → “GEO 的 design 文字与 GSM 计数不符”（坑 1）

附录 R：生物信息学流程的版本清单

论文的 STAR Methods 与 Key Resources Table 给出了完整版本，复现时需要严格对齐：

环节	工具	版本
单细胞比对	Cell Ranger	7.1.0
单细胞分析	Seurat	5.0.1
批次整合	Harmony	未在正文给版本号
双细胞去除	DoubletFinder	2.0.3
细胞注释	CellTypist	未在正文给版本号
TCR 分析	scRepertoire	1.12.0
空间表观	ArchR	正文未给版本号（用 addReproduciblePeakSet 等函数）
Motif 偏差	chromVAR	—
空间互作	stLearn	Python 模块
空间可视化	Xenium Explorer	v2
mIF 分析	inForm	2.4.8
数值计算	MATLAB	R2022b

"未在正文给版本号"的三项（Harmony、CellTypist、ArchR）是复现风险点：这几个工具在 2023–2025 年都有大版本更新，默认参数变化会改变聚类数。若要严格复现，去向 GitLab 仓库的 lock 文件对版本。

附录 S：与近邻研究的定位比较

S.1 与 TAM 空间生态位研究的对照

论文讨论里引用了近年"在乳腺与结肠癌里把 TAM 定位到离散多细胞生态位、并与临床结局关联"的工作。本研究的增量在于：把"生态位"与"表观调控程序"挂钩，而不仅是用标记基因描述生态位。换言之，别人告诉你"这群细胞挨在一起"，本研究还告诉你"它们挨在一起时，染色质哪些区域是开的"。

S.2 与 IS 人群免疫治疗研究的对照

免疫抑制人群的 ICI 研究长期受限于样本获取。本研究用同一中心的富集队列（60 例血液肿瘤 + 14 例移植）提供了规模化的组织学与组学证据，这在 NMSC 领域此前少见。局限在于仍然是单中心为主 + 一个外部队列，没有前瞻性干预。

S.3 与器官移植皮肤癌研究的对照

移植后 cSCC 的经典研究多聚焦于病毒（HPV、MCPyV）与免疫抑制剂的直接致癌作用。本研究把镜头转向肿瘤微环境的"组织学重排"，与"药物直接致癌"的视角互补：前者解释为什么移植者的肿瘤长出来，后者解释为什么长出来之后更难控制。

附录 T：复现路线图（从零到一张空间图）

T.1 第一天：拿到数据并确认完整性

1. 拉 filelist.txt，核对 28 个 GSM 是否都在
2. 用 md5 或 tar -tvf 校验 archive 完整性（38 GiB 传输中断率不低）
3. 解压后确认每个样本一对文件（fragments + spatial），共 56 个
4. 读 GSE316922 的三件套，确认 36 个样本的矩阵都能读入

T.2 第二至三天：搭环境

• R 侧：Seurat 5、ArchR、chromVAR、scRepertoire 1.12
• Python 侧：stLearn
• 外部工具：macs2、Xenium Explorer（仅 GUI）
• 内存：ArchR 处理单个空间样本的 arrow（HDF5 格式）对象时内存占用随 tile 数与 tixel 数增长，建议至少 64 GB、处理全队列时 128 GB 以上

T.3 第四至七天：从 fragment 到 tixel 图

1. 用 ArchR 的 createArrowFiles 读 fragments，附带 spatial 元数据
2. 建 tile 矩阵（ArchR addTileMatrix，tile 宽度按分析需要设定；论文正文给出的是 iterative LSI 的 25,000 变异特征与分辨率 0.2，未明写 tile 宽度）
3. iterative LSI 降维（2 轮、分辨率 0.2、25,000 变异特征）
4. addClusters + UMAP
5. 把坐标读回，plotEmbedding 画到组织切片上

T.4 最容易出错的三处

• 坐标对不上：spatial.zip 的 barcode 与 fragments 的 barcode 命名不一致（有无后缀、大小写），会导致全部 tixel 聚成一点
• peak 数远超预期：若没做细胞（tixel）过滤，背景 tixel 会贡献大量低质量 peak，QC 指标对不上论文的中位 10 万
• Motif 注释缺失：ArchR 的 addMotifAnnotations 需要下载 cisbp motif 集，离线环境需预先准备

附录 U：使用这份资源时应当报告的最小信息集

如果你在论文里用到这份数据，按下列清单报告可以避免绝大多数误读：

项	建议写法
用了哪条 GEO	明确写 GSE 号，不要只写"该研究的数据"
样本口径	“GSE306129 的 28 个样本"或"论文报告的 14 个样本”——二选一并注明
细胞数	scRNA-seq 写 226,170；Xenium 写 353,153（论文 QC 后口径）
平台	空间 ATAC 写 DBiT-seq / Portal50；Xenium 写 350 基因定制 panel
分组	IS/IC 按什么定义，是否包含胰岛素依赖型糖尿病
分层	是否区分 BCC 与 cSCC、移植与血液肿瘤
许可	引用 GEO 与 Cell 版权声明，不声称 CC 许可

附二：IS 与 IC 两种微环境的分区对照

空间数据最有价值的地方在于"分区"。同一张切片里，肿瘤区（cytokeratin 阳性）与基质区（cytokeratin 阴性）是两种完全不同的免疫学环境。下面把论文报告的分区差异集中列出，便于做课题设计时直接引用。

分区 × 细胞	IS 相对 IC	统计	出处
肿瘤区 CD68+ 巨噬细胞	下降	p=0.022	mIF 主队列
基质区 CD68+ 巨噬细胞	两组均高于肿瘤区	两组 p<0.0001	mIF 主队列
肿瘤区 CD68+PD-L1+	IS 显著低于其自身基质区	p<0.0001	mIF 主队列
肿瘤区 CD11b+/CD11c+/CD68+ 髓系	下降（CD68+ p=0.029）	—	Cleveland 外部队列
肿瘤区 CD4+ / CD8+ / B 细胞	无显著差异	—	mIF 主队列
基质区 CD8+LAG3+ T 细胞	IC 高密度者 OS 更好	p=0.031	Cox 回归
肿瘤区 CD8+LAG3+ T 细胞	IC 高密度者 OS 更好	p<0.001	Cox 回归
基质区 CD68+ 巨噬细胞	IC 高密度者 OS 更好	p=0.040	Cox 回归
基质区 CD68+PD-L1+	IS 高密度者 OS 更差	p<0.001	Cox 回归
肿瘤区 LA-TAM（Xenium 生态位）	IC 更高	p=0.048	Xenium
肿瘤区 RTM（Xenium 生态位）	IS 更高但不显著	p=0.13	Xenium
CD8+ 富集生态位内 RTM	IS 更低	p=0.018	Xenium

这张表的读法：先看"分区"再看"细胞"。几乎所有的显著性都落在肿瘤区或基质区的特定组合上，而不是"总体"。这也是为什么论文反复强调"空间排布"——如果只做整块组织的匀浆测序，这些差异会被平均掉。

附三：论文自述的局限性逐条转述

原文的 Strengths and limitations 段落有两段。这里把局限部分逐条转述，并加上"读者应当怎么用这条局限"的建议。

1. 平台不可直接定量互证——scRNA-seq 给相对组成、mIF 给绝对密度、空间组学给邻域关系，各平台设计目标不同。用法：跨平台比较时只比"方向"不比"绝对值"。
2. TCR 结果是描述性的——多样性下降、克隆共享增加是观察，功能意义未验证。用法：作为假设生成的证据，不作为机制结论。
3. 空间数据免疫细胞丰度低——CCI 分析统计功效受限，多个配体-受体对只有趋势。用法：只把 p<0.05 的 CCI 结果当结论，趋势项列入"待验证"。
4. 回顾性队列——生存分析受混杂影响，且治疗史跨越 27 年。用法：生存结论需前瞻性队列复现。
5. 单中心为主——外部验证仅 Cleveland Clinic 一个 mIF 队列，空间组学没有外部机构复现。用法：空间结论标注为"待多中心验证"。
6. IS 定义较宽——纳入胰岛素依赖型糖尿病等，异质性大。用法：引用时注明 IS 的纳入标准，必要时按病因再分层。

附四：三个"如果"——这条研究线接下来可能往哪走

如果要做成前瞻性研究：最直接的路径是在移植受者队列里做纵向取样，看免疫抑制剂减量或切换后，瘤内 CD68+ 密度与空间邻域是否可逆。这能直接检验"空间重排是状态而非结局"的假设。

如果要做成干预研究：论文提出的瘤内先天免疫激活剂路线需要先回答"激活哪一群"。从数据看，最合理的靶点是瘤内 CD68+ TAM 的抗原呈递程序（MHC-II 相关位点在 IC 中与肿瘤邻近时活性更高），而不是泛化的"激活巨噬细胞"。

如果要做成生物标志物：基质 CD68+PD-L1+ 密度在 IS 中方向反转（高密度 = 更差），这是一个罕见的"方向依赖免疫状态"的标志物。但 mIF 定量的跨实验室可重复性差，落地前需要标准化染色与扫描协议。

附五：给数据集策展人的十条建议

若要把这类研究整理成真正"AI-Ready"的资源，本条目总结出十条可操作建议：

1. GEO design 文字必须与 GSM 计数一致，否则任何自动解析都会出错
2. 样本标题应包含稳定的结构化字段（癌种、免疫状态、队列、患者号），并在 Series 说明里给出解析规则
3. 患者级临床表应作为独立的 sample characteristics 字段提交，而不是只放在补充表
4. 空间数据必须同时提供 fragments 与坐标表，并说明两者的条码命名规范是否一致
5. 若因隐私不提交 raw，应在 Series 说明里写清"可复现到什么程度"
6. 多条 GEO 记录应在 Series 说明里互相交叉引用，而不只靠 PubMed ID
7. 外部镜像（Zenodo / figshare）应给公开 article 链接，不给带 token 或账户路径的链接
8. 代码仓库的主库地址应与正文表述一致（写 GitHub 就给 GitHub）
9. 论文中的样本数与患者数应逐表核对，尤其当"样本"在不同平台含义不同时
10. 提供至少一个"最小可用示例"（如 1 个样本的完整输入输出），可大幅降低首次使用成本

尾注

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• inflammation-cell-atlas — 共享标签：基因组学与多组学 / 转录组 / 单细胞基因组学 / 肿瘤学
• tabula-sapiens — 共享标签：基因组学与多组学 / 转录组 / 单细胞基因组学
• single-cell-portal — 共享标签：基因组学与多组学 / 转录组 / 单细胞基因组学
• hcl — 共享标签：基因组学与多组学 / 转录组 / 单细胞基因组学
• spatial-touchstone — 共享标签：基因组学与多组学 / 转录组 / 单细胞基因组学 / 肿瘤学
• cellxgene-census — 共享标签：基因组学与多组学 / 转录组 / 单细胞基因组学
• adrenal-gland-atlas — 共享标签：基因组学与多组学 / 转录组 / 单细胞基因组学
• human-cell-atlas — 共享标签：基因组学与多组学 / 单细胞基因组学 / 肿瘤学
• kpmp — 共享标签：基因组学与多组学 / 转录组 / 单细胞基因组学
• hubmap — 共享标签：基因组学与多组学 / 单细胞基因组学 / 肿瘤学

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。