细胞衰老（CS）定义为细胞周期的不可逆停止，越来越多的证据表明衰老微环境与癌症的发生发展有关。因此，研究不同癌症类型中CS的作用十分重要，有助于改善针对肿瘤的衰老靶向治疗。这篇文章主要是研究33种癌症类型和29种正常组织的CS状态并整合单细胞数据集研究CS相关表型。

结果：

1.在泛癌水平下描述衰老景观

作者收集来自164个细胞系（1259个基因）的复制性细胞衰老基因集并使用GSVA评估样本中CS相关的正相关基因和负相关基因活性，将CS打分定义为两种活性的差异（图1A）。CS打分与致癌基因的表达水平负相关，包括Myc和E2F调控基因，而与肿瘤抑制基因的表达水平正相关，包括RB调控基因（图1B）。接下来，作者使用TCGA数据库的33种癌症数据分析不同癌症类型的组织特异性衰老水平（图1C）。其中，来源于泌尿系统，腺体和软组织的癌细胞的CS打分较高，而来自生殖器官的肿瘤的CS打分较低。此外，作者分析GTEx数据库不同组织的CS打分，结果与之类似（图1D）。CS打分分布表明组织类型可能是影响癌症衰老程度的重要因素。此外，原发性肿瘤的CS打分较低但与正常样本相比差异较大（图1E）。

2.衰老水平与癌症类型特异性基因组变异有关

随后，作者研究衰老水平与CNVs和SNVs的相关性。其中，CS打分与CNV打分显著负相关，癌症类型特异性分析表明CS打分与20种癌症存在显著相关性（图2A）。接下来，作者分析不同癌症类型中CNV的扩增和缺失与CS打分的相关性（图2B和2C）。对于SNV来说，作者使用多元线性回归模型鉴定到CS打分与15种癌症类型显著相关（图2D）。由于PRAD的CS水平较高，因此作者进一步分析PRAD的低CS组和高CS组的突变差异情况。其中低CS组的患者微卫星不稳定性（MSI）较高，错义突变是主要的突变类型。为了研究驱动基因突变在高CS组和低CS组的差异情况，研究两组种突变水平最高的癌基因（图2E和2F）。此外，作者鉴定到PRAD中CS水平与DNA修复缺陷和肿瘤干性指数显著相关（图2G）。

3.衰老微环境与癌症特异性免疫特征相关性

由于细胞衰老特征是释放过多的衰老相关分泌表型（SASP）因子来促进肿瘤免疫的，因此作者评估衰老水平与SASP相关细胞因子的关系（图3A）。CIBERSORT分析表明，在大多数癌症类型中，总免疫细胞浸润丰度与CS打分显著相关，而特异性免疫细胞浸润水平具有癌症类型特异性（图3B）。此外，作者鉴定CS打分与免疫检查点表达水平的相关性，其中高CS组中PD-L1的表达水平和蛋白水平在PRAD和SKCM中较高（图3C）。免疫细胞溶解活性（CYT）打分是评估T细胞细胞毒性的指标同样是预测免疫反应的生物标志物。结合PD-L1蛋白表达水平和CYT打分发现，有5种癌症类型的CS打分与两者正相关（图3D）。为验证CS打分与免疫细胞浸润水平和免疫分子特征的相关性，作者对72例PRAD患者进行免疫组化染色，结果表明p21（广泛使用的衰老标志物）表达与PD-L1和CD45显著正相关（图3E和3F）。

4.单细胞分析解释衰老异质性和相关免疫信号

为研究肿瘤微环境中CS水平是否存在异质性，作者分析了10个scRNA-seq数据集，包括97440个细胞。不同数据集中不同细胞类型的CS水平类似（图4A），基质细胞中CS打分较高而恶性细胞的衰老程度较低。为分析肿瘤内CS异质性对肿瘤微环境的影响，作者进一步分析了PRAD患者的scRNA数据集，包括33100个细胞。其中，前列腺微环境中CS打分存在细胞间异质性（图4B和4C）。癌细胞中高CS组和低CS组中的DEGs的富集分析表明，衰老癌细胞中免疫相关通路显著富集，包括抗原呈递，免疫调节相关作用和干扰素-α/β信号（图4D）。高CS的癌细胞中HLAs较多（图4E）。作者使用CellPhoneDB分析细胞-细胞互作，高CS和低CS组中癌细胞会与相邻细胞进行交流（图4F）。

5.衰老水平可以预测免疫治疗反应

作者分析治疗前和治疗后的恶性细胞中的CS打分变化，对于同一例患者无反应者的恶性细胞CS打分在治疗后显著降低，而有反应者的CS打分在治疗后显著增加（图5A-5D）。接下来，作者研究8个ICB治疗组的542例患者的CS打分对于预测免疫治疗反应的能力。CS打分可以准确预测免疫治疗反应，其中AUC为0.68（图5E），结果优于TIDE的预测结果（图5F）。

6.衰老水平预测PRAD免疫治疗反应和预后

对于PRAD来说，高衰老水平与OS较长有关（图6A和6B）。其中Gleason打分，T分期和N分期较高的患者CS打分较低（图6C和6D）。一致性聚类将PRAD患者分为两组（图6E），簇2的OS较好（图6F）。PRAD患者的桑基图如图6G所示。KEGG中免疫通路的富集水平如图6H所示。

7.构建和验证PRAD的衰老预测因子

作者使用三种机器学习算法从CS基因中进行特征选择（图7A）。将TCGA-PRAD数据集作为训练集，其余4个PRAD数据集作为验证集。使用LASSO，随机森林RFB和XGBoost分别筛选到10,3和21个显著基因。其中3个共有基因，包括SPAG5,TACC3和TROAP，并基于这3个基因使用Cox回归分析构建模型。根据CS打分中位数将患者分为高打分组和低打分组，低打分组的预后较差且病情进展较快（图7B-7F）。TCGA-PRAD患者的肿瘤分级越差，CS打分越低（图7G）。此外，使用IHC染色验证CS模型的预测价值（图7H和7I）。CS打分与肿瘤分期较低和Gleason打分显著相关（图7J和7K）。

结论：

CS在衰老和癌症中都是一个重要的细胞过程，在本研究中作者构建了量化CS的计算方法并揭示CS与癌症类型的基因组特征，免疫表型和临床结局的相关性。此外，在不同数据集中作者鉴定到3个CS基因可以预测患者生存情况，说明他们可能是预后的生物标志物。总的来说，基于CS水平的计算指标，作者构建了一个可以理解肿瘤微环境中CS相关调控的框架，并可以指导进一步的实验和生物标志物的鉴定。