Nature 前沿∶ mtDNA ——癌细胞免疫逃逸_MedChemExpress(MCE 中国)

癌细胞为了躲避免疫系统的追杀,进化出了许多多多多不同的策略来逃逸免疫。近期,研究揭示了癌细胞逃避免疫的新策略!跟小 M 一起来看下吧!

Section.01

线粒体转移的"双向奔赴"

肿瘤微环境 (TME) 中的代谢重编程对抗肿瘤免疫反应至关重要,且线粒体在代谢重编程中起着重要作用。

先前,Tanmoy Saha 等人首次研究了癌细胞和免疫细胞之间的线粒体运输[1],发现癌细胞可以通过纳米管介导“偷走”免疫细胞线粒体。线粒体的丢失和功能障碍导致 T 细胞衰竭,这是 T 细胞免疫疗法的主要障碍。不过,研究人员发现,骨髓基质细胞 (BMSC) 与 T 细胞也可建立纳米管连接,并利用其将基质细胞线粒体移植到 CD8+ T 细胞中,使其变身“超强 T 细胞”,介导更强劲的肿瘤消退[2]。

图 1. 纳米管介导线粒体转移[1][2]。

(A) MitoTracker-Green 标记的线粒
​体从免疫细胞转移到癌细胞; (B) 细胞间纳米管介导线粒体从 BMSC 运输到 CD8+ T 细胞。

随着不断探索,人们对肿瘤免疫的研究也陆续有了新进程:从线粒体转移是从免疫细胞到癌细胞的单向运输,到发现线粒体也可以从癌细胞转移到 TME 的 T 细胞中,形成 ”双向奔赴”。然而,这一过程的发生与肿瘤免疫之间的影响尚不清楚[3]。

Section.02

Nature 发文:

mtDNA 功能再升级!

近期,Nature 刊发日本千叶癌症研究中心等团队的重磅研究,首次揭示肿瘤细胞通过线粒体向 T 细胞传递突变的线粒体 DNA (mtDNA),导致 T 细胞代谢异常、功能衰竭,进而逃避免疫攻击的全新机制[4]。这一发现为理解肿瘤免疫逃逸提供了全新视角,并为逆转免疫治疗耐药提供了潜在靶点。 

图 2. 线粒体在细胞间的双向转移[5]。

具体来说,Ikeda 等人研究了线粒体在癌细胞和免疫系统 T 细胞之间的转移,研究对象包括小鼠和人类细胞。作者报告称,T 细胞通过一种名为隧道纳米管的结构将线粒体转移到癌细胞中。作为交换,癌细胞通过释放细胞外囊泡将线粒体转移到 T 细胞中,这些囊泡会被细胞吸收。这些来自癌细胞的线粒体被 USP30 蛋白包裹,这种蛋白可以防止线粒体降解。这使得癌细胞的线粒体能够取代 T 细胞的线粒体。T 细胞进入一种称为衰老的生长停滞状态,从而削弱其杀死癌细胞的能力[5]。

1. 临床样本分析

研究人员从黑色素瘤和非小细胞肺癌 (NSCLC) 患者的肿瘤组织中分离肿瘤浸润淋巴细胞 (TILs),通过全 mtDNA 测序鉴定突变,鉴定出 TILs 与肿瘤细胞的 mtDNA 共享突变

图 3. TILs 中与癌细胞相同的突变[4]。

2. 癌细胞的线粒体转移

研究人员通过在含有突变 mtDNA 和 WT mtDNA 的黑色素瘤细胞系中的表达线粒体特异性荧光蛋白 MitoDsRed,在与 TIL 共培养 24 小时后,发现 mtDNA 逐渐从癌细胞转移至 TIL。这一结果表明癌细胞和 T 细胞之间产生同样的 mtDNA 突变是由线粒体转移造成的

已有研究证明,细胞间的隧道纳米管 (TNTs) 和细胞外囊泡 (EVs) 能够帮助线粒体转移。研究人员发现在加入 TNT 和 EV 抑制剂的条件下,均能够大大降低线粒体的转移,这说明线粒体可以通过 TNT 介导的细胞间直接接触和 EV 介导的间接接触进行转移。综上所述,TILs 能够通过直接或间接的方式从癌细胞中获得突变 mtDNA。

图 4. mtDNA 突变的线粒体从癌细胞转移到 TILs[4]。

3. 线粒体发生同质性

随后研究人员验证了转移的线粒体是否会发生同质性。通过将 TIL 与癌细胞共培养,并通过 mtDNA 测序以及荧光标记的延时成像,验证了部分 T 细胞的线粒体发生了同源替换以及线粒体的转移。并结合 MitoDsRed 的表达情况,进一步证明 T 细胞的原位线粒体的减少是与癌细胞共培养的结果。

TME 中的癌症来源的活性氧 (ROS) 会诱导周围细胞的线粒体发生自噬。研究人员发现,在与癌细胞共培养时会加剧 T 细胞的线粒体自噬,加入 NAC (一种 ROS 抑制剂) 后,降低 T 细胞线粒体自噬水平,但不影响线粒体从癌细胞转移到 T 细胞。去泛素化酶 USP30 能够抑制泛素化介导的线粒体自噬并附着在线粒体上,研究人员发现 USP30 在黑色素瘤中高表达,且在具有突变 mtDNA 的 T 细胞中的表达量也有所增加,USP30 染色结果证明,USP30 能够和线粒体一同从癌细胞转移到 TIL 中

以上结果表明,T 细胞中的原位线粒体会因 TME 中的 ROS 发生自噬,但 T 细胞中有突变 mtDNA 的线粒体不会发生自噬,最终导致线粒体发生同质性。

图 5. USP30 在癌细胞转移的线粒体中赋予线粒体自噬抗性[4]。

4. 突变 T 细胞的线粒体功能障碍

研究人员随后通过通量分析仪以及基因表达水平研究发现,在 mtDNA 突变的细胞中线粒体氧化磷酸化相关分子 ND4,ND5,ND6,ND1,CYTB,COX1  和 ATP6 的表达量降低,细胞基础呼吸减少,产生的 ATP 减少,电子传递链上复合物活性降低,以上结果表明 mtDNA 突变的细胞线粒体功能受损此外,突变的 mtDNA 增加了以及衰老相关分子的表达、降低细胞分裂能力,损伤记忆 T 细胞形成、诱导部分中央记忆细胞的凋亡、降低细胞中的活化标志物的含量。

5. 体内转移和抗肿瘤免疫

随后在体内实验中,研究人员将 mtDNA 未突变的细胞系和 mtDNA 突变的细胞系分别移植到 OT-1 小鼠体内,由于 OT-1 小鼠可在体内激活 T 细胞和 B 细胞反应,随后从小鼠体内分选出 T 细胞以检测其免疫功能。实验结果表明伴有 mtDNA 突变的癌症细胞对 T 细胞活性的降低更为显著。然而,当分选出 T 细胞进行体外培养,荧光强弱显示出 T 细胞损伤的功能也得到了恢复,这一结论也进一步呼应了此前验证的 EV 在线粒体转移的过程中发挥关键作用。此外,在外加 EV 抑制剂 GW4869 时,相关功能抑制表型有所挽救。

总的来说, 体内实验中 TIL 突变的 mtDNA 线粒体可导致 T 细胞功能障碍,最终降低机体的抗肿瘤免疫能力。

图 6. mtDNA 突变的线粒体转移降低体内抗肿瘤免疫[4]。

Section.03

小结

本文解析了癌细胞如何通过线粒体转移机制实现免疫逃逸,并探讨了其对肿瘤免疫治疗的影响。线粒体转移不仅改变了 T 细胞的代谢状态,还加速了 T 细胞衰竭,最终削弱抗肿瘤免疫力。这一发现为未来癌症免疫治疗提供了新的研究方向,也希望能帮助看到这里的小伙伴拓展新的科研思路~

[1] Saha T, et al. Intercellular nanotubes mediate mitochondrial trafficking between cancer and immune cells. Nat Nanotechnol. 2022 Jan;17(1):98-106.  

[2] Baldwin JG, et al. Intercellular nanotube-mediated mitochondrial transfer enhances T cell metabolic fitness and antitumor efficacy. Cell. 2024 Nov 14;187(23):6614-6630.e21.

[3] Mahmood M, et al. Mitochondrial DNA mutations drive aerobic glycolysis to enhance checkpoint blockade response in melanoma. Nat Cancer. 2024 Apr;5(4):659-672.

[4] Ikeda H, et al. Immune evasion through mitochondrial transfer in the tumour microenvironment. Nature. 2025 Feb;638(8049):225-236.

[5] Brestoff JR. Mitochondrial swap from cancer to immune cells thwarts anti-tumour defences. Nature. 2025 Feb;638(8049):42-43. 

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念分析方法;②掌握利用Simulink进行电力系统建模仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值