图1 本研究思维图
Highlights：
1、创新构建GPCR-TME联合分类器，将胃癌患者分为4个预后亚组，为精准分层提供新工具。
2、基于多队列数据构建并验证预后模型，3-7年总生存预测AUC达0.733-0.821。
3、揭示高GPCR组富集ECM-受体通路、高TME组富集细胞因子-受体通路，且CD8+T/B细胞为GPCR高表达关键细胞。
4、GPCR-TME分类器可区分ICB治疗响应人群，GPCR低/TME高亚组响应率达49%。
qRT-PCR在临床样本中验证4个关键基因高表达，为临床转化奠定基础。
背景
胃癌作为全球高发癌种，治疗后预后差异特别大，有的患者术后能长期生存，有的却很快复发。过去医生主要靠肿瘤大小、是否转移这些“表面特征”判断预后，但忽略了肿瘤内部的“隐形玩家”：比如G蛋白偶联受体（GPCR，细胞表面的“信号接收器”，能调控细胞生长、转移）和肿瘤微环境（TME，肿瘤周围的免疫细胞、基质细胞等“邻居”）。
研究团队发现，GPCR乱开会让肿瘤更“凶”，而TME里的免疫细胞能帮着对抗肿瘤，但这俩“玩家”怎么配合影响胃癌预后，之前没人说清楚。所以他们就想：把GPCR和TME结合起来分析，会不会找到更准的预后指标，还能帮着判断患者对免疫治疗的反应？
研究结果
第一步：先找“关键基因”和“关键免疫细胞”
研究团队先从公共数据库里扒了数据——包括TCGA的407例胃癌样本、GEO的57例样本，还有2例胃癌组织的单细胞测序数据。
首先做“差异表达分析”，对比胃癌组织和正常组织里GPCR相关基因的表达，一下子找出了209个“异常基因”（145个在胃癌里变多，64个变少）。
接着用CIBERSORT算法“算”出样本里20种免疫细胞的比例，发现其中11种免疫细胞和患者survival密切相关（比如CD8+T细胞多的患者，预后往往更好）。然后通过一系列统计方法（单/多因素Cox回归、LASSO回归）“筛”掉没用的基因和细胞，最后留下14个GPCR相关基因和11种TME免疫细胞——这就是构建预后模型的“核心材料”（图2）。
第二步：建一个“GPCR-TME分类器”，把患者分好坏
有了核心基因和免疫细胞，研究团队没直接建传统模型，而是搞了个“创新操作”：把GPCR的“活性分数”和TME的“免疫分数”结合，建了个“GPCR-TME分类器”，把胃癌患者分成4个亚组：
GPCR低/TME高：预后最好，患者活的时间最长；
GPCR低/TME低、GPCR高/TME高：预后中等；
GPCR高/TME低：预后最差，复发风险最高。
为了证明这个分类器靠谱，他们还在独立的GEO样本里验证——结果一样！而且用这个分类器预测患者3年、5年、7年的生存情况，AUC（预测准确率）能到0.733-0.821，比传统的临床指标准多了～（图3）
第三步：搞清楚“为什么这4个亚组预后不一样”
光分了组还不够，得知道背后的原因。研究团队做了“功能富集分析”，发现：
GPCR高的组：细胞外基质（ECM）-受体相互作用通路特别活跃——ECM就像肿瘤的“保护伞”，会帮肿瘤转移、耐药；
TME高的组：细胞因子-受体相互作用通路更活跃——细胞因子是免疫细胞的“信号弹”，能召唤更多免疫细胞来杀肿瘤（图3，补充图4）。
还用上了单细胞测序数据“看细节”：发现CD8+T细胞和B细胞这两种免疫细胞，是GPCR表达最高的细胞；而且GPCR高的免疫细胞簇，和肿瘤细胞之间“交流频繁”——这可能就是GPCR高的患者预后差的原因：免疫细胞被肿瘤“策反”了（图4，补充图5）！
第四步：看看这个分类器能不能指导治疗
现在免疫治疗（比如PD-1抑制剂）是胃癌治疗的热点，但不是所有患者都有效。研究团队用“TIDE模型”预测患者对免疫治疗的反应，发现：
GPCR低/TME高的患者：49%都对免疫治疗有反应；
GPCR高/TME低的患者：只有31%有反应。
还发现GPCR高/TME低的组，TP53基因突变率更高（TP53是“抑癌基因”，突变了肿瘤会更凶）；而GPCR低/TME高的组，肿瘤突变负荷（TMB）更高（TMB高的患者，免疫治疗往往更有效）——这就给医生提了个醒：以后可以用这个分类器帮患者选治疗方案（图5和图6）！
第五步：用临床样本验证，让结果更靠谱
最后一步是“落地验证”：研究团队找了10例胃癌患者的肿瘤组织和正常组织，用qRT-PCR（一种实验室常用技术）检测之前发现的4个关键GPCR基因（CXCR4、LPAR2、FZD2、APLNR）——结果和数据库分析一样：这4个基因在胃癌组织里确实表达更高（图7）！
这就说明，这些发现不是“纸上谈兵”，以后可能真的能用来帮医生判断预后、选治疗方案～
小白们照着这个思路走，说不定下一篇7分+就是你！