029
Intro
Spatially Resolved Single-Cell Analyses of Human Meningioma Identify Novel Cell States Influencing Tumor Microenvironment and Progression 是 Alexander P. Landry 等人在 2026 年发表于 Nature Genetics 的研究文章。
这篇文章用 single-nuclear RNA-seq、Visium HD spatial transcriptomics、bulk DNA methylation/RNA-seq、proteomics 和 plasma methylation 重新解析 meningioma microenvironment。它的问题不是单纯做一个脑膜瘤 atlas，而是问：脑膜瘤的细胞状态、空间位置和微环境互作，能不能解释既有 molecular group 之外的进展风险？
最核心的结论是，myeloid cells 不是脑膜瘤里的均一背景浸润。它们有多个可复现状态，会随 molecular group、WHO grade 和 tumor-dura border 改变，也会和邻近 neoplastic cells 的表达程序相关。作者进一步把这些状态带到 bulk outcome model 中，提出 cell-state composition 能补充现有的分子分型和风险预测。
Why I Read It
我读这篇主要是为了补 single-cell / spatial tumor microenvironment 这条线。前面读过 pan-cancer myeloid atlas 和 EMT/cancer plasticity 之后，一个自然问题是：这些 cell states 到底怎样进入具体癌种的空间结构和临床模型？
Meningioma 是一个很好的例子。它有相对成熟的 WHO grade、chromosomal alterations、DNA methylation molecular groups 和 outcome models；同时它又和 dura 有清楚的解剖关系，适合用 spatial sampling 问 tumor border 和 recurrence niche。Landry 这篇把 cell state、tumor-dura interface、myeloid-neoplastic interaction 和 progression-free survival 连在一起，正好可以作为空间单细胞肿瘤微环境文章的阅读模板。
它也和 EMT 主题有关，但角度比较特别。这里的 EMT-like program 不只出现在 neoplastic cells，也出现在 myeloid metaprograms 和 endothelial/ECM-related states 中。这个设定提醒我，读 single-cell EMT 时不能只把 EMT 当作 malignant-cell score，还要看这个 program 是否是跨细胞类型、空间区域和微环境互作的一部分。
What It Says
作者的队列很大。核心数据包括 102 个样本的 snRNA-seq，共 580,185 个高质量 nuclei；43 个 Visium HD spatial transcriptomics 样本，共 7,146,538 个分割细胞；另有 712 例 bulk DNA methylation/RNA-seq 用于验证和临床结局分析。部分病例还有 proteomics 和 plasma methylation。
在 atlas cohort 中，neoplastic cells 占 74.9%，myeloid cells 占 22.3%，lymphoid 和 endothelial cells 比例较低。作者用 sample-wise NMF 在不同细胞类型中定义 recurrent metaprograms。Neoplastic cells 中有 cycling、metabolic、IFN-like、TNF-like、EMT-like 等程序；myeloid cells 中则定义了 cycling、IFN/surveillance、EMT-like、TNF/inflammatory、tissue repair 和 metabolic 等主要状态。
第一层发现是 myeloid states 和既有 meningioma molecular groups 对应。Tissue repair myeloid cells 是最常见状态，占 57.6%，并且在 NF2-wildtype/MG2 中特别高。EMT-like myeloid cells 在 immunogenic/MG1 中更常见。Cycling myeloid cells 总体罕见，但在 MG3/MG4 和更高 WHO grade 中富集。作者还用 bulk deconvolution 和 proteomics 做了正交验证，并指出单个 marker 的特异性不够，多基因 signature 更适合描述这些复杂状态。
第二层发现是空间异质性。多区域 snRNA-seq 显示，有些 meningiomas 的 neoplastic transcriptional states 在同一肿瘤不同区域中差异很大；但 1p 和 22q copy-number losses 在多区域样本中相对稳定，bulk methylation 推断的风险分数也比较稳定。这一点很重要：它支持多数情况下单一区域样本仍可用于临床 copy-number 或 methylation risk assessment，但作者也保留了少数 rare clonal heterogeneity 的可能。
第三层发现来自 tumor-dura interface。肿瘤样本中 myeloid cells 占 42.7%，而相邻或覆盖硬脑膜样本中低于 5%。更关键的是，myeloid transcriptional state 也发生改变：TNF myeloid program 在 tumor 中被抑制，metabolic 和 EMT-like programs 在 tumor 中增强。作者用有完整 tumor-dura border 的 Visium HD 样本进一步显示，TNF myeloid MP 在进入肿瘤后很短空间距离内下降。
第四层是 myeloid-neoplastic interaction。作者结合 CellChat、Visium HD neighborhood analysis 和 CellNEST，分析 myeloid states 与附近 neoplastic cells 的关系。一个有意思的结果是，IFN 和 TNF myeloid MP 相关的 neighboring neoplastic genes 与这些 myeloid MP-defining genes 有较高重叠，提示局部 myeloid state 可能塑造 nearby neoplastic expression programs，或者二者共同受到同一空间微环境调控。文章还强调 tissue repair state 中的 IGF1-IGF1R、MERTK 相关互作等候选轴。
最后，作者把 cell states 放进临床结局模型。Myeloid cycling 和 metabolic MPs 与更短 progression-free survival 相关；myeloid EMT 和 tissue repair MPs 在调整 molecular group 的模型中表现为保护性。作者进一步用 elastic net Cox model 整合七个 prognostic MPs 和 molecular group，构建 integrated cell state score。这个 ICS risk group 在调整 WHO grade、切除范围、辅助放疗和 molecular group 后仍能预测 PFS，并能在既有 methylation/RNA risk groups 内提供额外分层。
What I Take From It
这篇最有价值的地方，是把 meningioma TME 从“有哪些细胞”推进到“哪些状态在什么空间位置、和什么临床行为相关”。它不是只画 UMAP，也不是只列 ligand-receptor pairs，而是把几个层级连接起来：
single-cell states
-> molecular group enrichment
-> tumor-dura spatial reprogramming
-> local myeloid-neoplastic neighborhoods
-> bulk-inferable prognostic signatures对我来说，myeloid compartment 是这篇的主线。Tissue repair、TNF/inflammatory、EMT-like、metabolic 和 cycling 这些状态，不只是 cell annotation 标签，而是可以在空间、proteomics、bulk outcome 和 plasma methylation 中反复追踪的 biological axes。这和 Cheng 2021 pan-cancer myeloid atlas 可以接起来读：Cheng 2021 建立泛癌 myeloid 语言，Landry 2026 展示这些 myeloid-state 思路怎样进入一个具体癌种的空间结构和预后模型。
EMT-like state 也需要细读。这里 myeloid EMT MP 在 immunogenic/MG1 中富集，并且在预后模型中表现为保护性；这和“EMT = 更侵袭 = 更差预后”的粗略理解不一致。更合理的读法是，EMT-like transcriptional programs 在不同细胞类型和空间背景中可能代表不同功能：有时是 malignant plasticity，有时是 immune/stromal activation，有时可能是组织修复或炎症状态的一部分。
Note
这篇的证据链很强，但不能读成完整因果闭环。CellChat、CellNEST 和 spatial neighborhood analysis 都是推断性工具，能提示 state-specific interactions 和空间相关性，但不能直接证明 myeloid cells 驱动 neoplastic programs 或 meningioma progression。真正的功能验证还需要 perturbation、co-culture、模型系统或纵向治疗数据。
样本规模也有层级差异。总队列和 bulk validation 很大，但关键的 regional snRNA-seq cohort 只有 4 个肿瘤、12 个样本；tumor-dura border 的 Visium HD 分析也只在有完整边界的少数样本中完成。因此关于多区域异质性、边界重编程和罕见 copy-number heterogeneity 的结论需要外部队列继续验证。
ICS score 是很好的建模思路，但目前更适合作为研究工具，而不是立即进入临床决策。它说明 microenvironmental cell states 可以在 molecular group 之外提供 outcome information；下一步需要看这些状态是否能稳定预测 recurrence、radiotherapy response 或系统治疗敏感性，并且是否能用临床可获得的 bulk RNA 或 plasma methylation 可靠测量。
以后读类似文章时，可以用这篇做检查表：有没有足够大的 single-cell cohort？有没有空间定位？有没有 bulk validation？有没有把 cell abundance 和 cell state 分开？有没有把 ligand-receptor inference 降级为假说而不是机制证明？有没有说明这些状态如何进入临床模型？