不是“有没有EV”，而是“EV在哪里”
过去分析组织来源EV(tissue-derived EVs)，通常需要组织解离、酶消化和差速离心。这些步骤不仅耗时、回收率低，更重要的是会破坏EV的空间信息。一个来自肿瘤核心区的EV，和一个来自肿瘤边缘区的EV，混在一起以后就失去了“地理身份”。
Spatial-EV-seq的核心思路并不复杂，但设计很巧妙。研究人员先在玻片上构建一个抗体工程化捕获界面(Capture Surface)，用抗CD81等抗体捕获组织切片中的EV。组织切片与捕获界面接触后，EV被转移并固定在玻片上，尽量保留其原始空间分布。随后，研究人员使用能够识别EV表面蛋白的适配体(aptamer)，引发滚环扩增(rolling circle amplification, RCA)，把原本太小、难以直接成像的EV信号放大成可见的荧光斑点。
换句话说，这项技术不是把EV从组织里“洗出来”，而是先把它们按原来的位置“拓印”下来，再逐个读取表面分子标签。一个EV如果同时带有CD63、EpCAM和PDL1等蛋白，就可以形成类似“分子身份证”的信息。
一个纳米级信号，如何被看见
EV太小，是技术难点之一。研究中使用A375人黑色素瘤细胞来源EV作为模型，电镜和纳米颗粒跟踪分析(nanoparticle tracking analysis, NTA)显示，这些EV平均直径约134 nm。这样的尺度远低于常规光学显微镜直接分辨的舒适范围。
Spatial-EV-seq通过RCA实现“尺寸放大”和“信号放大”。研究数据显示，与传统抗体偶联荧光检测相比，Spatial-EV-seq产生的信号产物尺寸大约增加2.6倍，荧光强度增强13.4倍。这不是简单地把图像调亮，而是通过DNA纳米花(DNA nanoflowers)放大真实结合事件。
在0到700个EV/2500 μm²成像视野范围内，检测信号与输入EV数量呈线性关系，拟合斜率为0.7672，R²达到0.9883，意味着约76.7%的输入EV能被检测到。超过700个EV/视野后，信号聚集开始限制定量能力。
研究人员进一步指出，组织中CD81阳性、CD63阳性或CD9阳性EV的理论数量估计为0.015到150个/成像视野，低于该平台的饱和阈值。因此，在多数真实组织样本中，该方法理论上有足够的动态范围。
更关键的是，信号确实来自EV。预先用PKH26标记的EV与RCA信号共定位分析显示，CD63特异性RCA信号与荧光标记EV的重叠率为98.9%±0.9%，PDL1特异性RCA信号的重叠率为98.4%±1.5%。这组数据对方法可信度很重要：它说明观察到的亮点，大部分不是背景噪声，也不是随机吸附。
EV并不一样：同一种肿瘤里也有不同“信息包”
EV异质性(heterogeneity)是肿瘤研究中越来越重要的问题。不同细胞释放的EV，表面蛋白组合可能完全不同。Spatial-EV-seq的一个优势，是可以同时检测单个EV上的多个蛋白。
研究人员比较了A375细胞来源EV和U251胶质瘤细胞来源EV。A375 EV同时表达EpCAM和PDL1，其中约42.9%为EpCAM阳性、PDL1阳性的双阳性EV；U251 EV则表达PDL1但不表达EpCAM。随后，研究人员把两种EV按不同比例混合，当A375 EV比例为16.7%、50.0%和83.3%时，检测到的EpCAM阳性PDL1阳性EV比例也随之上升。即使双阳性EV输入比例低至约7.2%，仍能稳定检出。
这意味着，Spatial-EV-seq不只是看“总EV数量”，而是能把不同EV亚群(subpopulation)区分开来。对肿瘤研究来说，这一点非常关键。因为真正影响免疫、转移和治疗反应的，往往不是所有EV，而是特定表型的EV亚群。
从肾脏到脾脏：空间位置没有被“洗花”
为了证明空间信息没有在转移过程中被破坏，研究人员在小鼠肾组织中进行原位EV捕获。组织切片厚度为80 μm，并在低温条件下处理，以尽量减少EV位移。通过外源荧光标记EV追踪，研究人员测得EV在转移过程中的平均横向扩散约为5.8 μm。这对于组织空间分析而言是一个相当关键的参数：如果EV在转移过程中大范围漂移，后续所有“空间关联”都会变得可疑。
捕获效率方面，在肾、脾、原发肿瘤和肺转移组织中，预染外源EV的回收率大致为60%到70%，不同组织之间没有显著差异。这提示该方法的捕获过程具有一定稳定性，不太容易被组织类型差异完全扰乱。
研究人员还验证了捕获物确实主要是EV，而不是细胞碎片。捕获后释放的颗粒直径范围为83到147 nm，电镜下呈典型囊泡形态，并表达TSG101、CD63和CD81等经典外泌体标志物，同时缺乏内质网标志物calnexin。对捕获界面进行细胞器相关蛋白染色，如calnexin、GM130、lamin A/C、LAMP1和desmoglein 1，也未见明显信号。这些验证共同支持一个判断：Spatial-EV-seq捕获到的主要是EV，而不是组织处理产生的大量污染物。
抗PD1治疗后，肿瘤里的EV地图变了
真正让这项研究变得有生物学深度的，是其在乳腺癌免疫治疗模型中的应用。研究人员建立4T1小鼠乳腺癌模型，在接种后第28天分析肿瘤、癌旁组织、肺转移灶和健康肺组织中的EV分布。
结果显示，肿瘤组织和肺转移灶中的PDL1阳性EV、EpCAM阳性EV、CSV阳性EV和Siglec-15阳性EV显著升高。与健康肺相比，肿瘤组织和转移灶中的CD62L表达约降低9倍。CD62L与T细胞分布和免疫活性相关，因此这一变化提示，肿瘤相关EV图谱与免疫抑制状态存在空间对应关系。
更进一步，研究人员在接种4T1细胞后第4天给予100 μg抗PD1抗体(anti-PD1 antibody)或PBS对照，并在第28天分析肿瘤组织。抗PD1治疗抑制了肿瘤生长，但没有明显影响小鼠体重。组织学观察显示，治疗后肿瘤边缘区域细胞质和细胞核结构有所恢复；免疫荧光显示PDL1蛋白下降，CD62L蛋白升高。
EV层面的变化更有意思。治疗后，肿瘤边缘区Siglec-15阳性EV下降4.08倍，核心区下降1.95倍；CSV阳性EV在边缘区下降9.92倍，核心区下降7.75倍。
相反，PDL1阳性EV在核心区下降更明显，为7.84倍，而边缘区下降5.76倍；EpCAM阳性EV在核心区下降8.70倍，边缘区下降3.75倍。
这些数字提示我们：抗PD1治疗并不是均匀地改变整个肿瘤，而是在不同空间区域重塑不同EV亚群。肿瘤核心与边缘可能处于不同免疫状态，也可能对治疗有不同响应。把整个肿瘤磨碎做平均分析，很可能会掩盖这些差异。
PDL1阳性EV：免疫逃逸不只发生在细胞表面
PDL1(programmed death-ligand 1)通常被理解为肿瘤细胞表面抑制T细胞的“刹车分子”。但这项研究强调，PDL1不仅存在于细胞表面，也可以装载在EV上，以PDL1阳性EV的形式影响远处微环境。
研究人员将Spatial-EV-seq与空间转录组(spatial transcriptomics)整合，分析PDL1阳性EV与CD8阳性T细胞(CD8+ T cells)之间的空间关系。治疗前，高丰度PDL1阳性EV共定位区域中的CD8阳性T细胞富集T细胞分化和免疫抑制相关通路；低丰度PDL1阳性EV区域则更多关联肿瘤发生相关通路。配体-受体(ligand-receptor, LR)相互作用分析显示，Nectin2_Nectin2、Mcam_Mcam和CD84_CD84等免疫逃逸相关相互作用与空间分布相一致。
治疗后，高PDL1阳性EV区域仍呈现免疫抑制特征，其中耗竭CD8阳性T细胞(exhausted CD8+ T cells, CD8Tex)的相互作用明显增强；低PDL1阳性EV区域则富集免疫激活通路，包括I型干扰素产生(type I interferon production)。在细胞通讯分析中，高PDL1阳性EV区域更像一个以耗竭T细胞为中心的耐药生态位，而低PDL1阳性EV区域则维持较活跃的免疫状态，可能更容易响应PD1阻断治疗。
这里最值得关注的一点是：研究人员发现某些区域PDL1阳性EV丰度高，但CD274基因表达并不高。CD274编码PDL1。也就是说，仅凭细胞中的PDL1基因表达，可能无法准确推断PDL1阳性EV在哪里。EV可以从来源细胞迁移到组织内其他位置，影响并不相邻的免疫细胞。这正是空间EV分析的价值所在：它直接观察EV，而不是从细胞表达间接推测EV。
技术令人兴奋，但也不能忽略边界
Spatial-EV-seq展示了一个新的观察维度，但它并不是没有限制。
首先，该方法测得的是相对空间分布，并不在所有场景下提供绝对定量。其次，捕获抗体的选择会带来偏倚。研究中常用CD81作为模型捕获抗体，因此主要覆盖CD81阳性EV；如果某些重要EV亚群缺乏CD81，可能被低估。研究人员也指出，可以通过更换抗体或使用抗体混合物来扩展覆盖范围。
第三，RCA产物在成像视野中形成单层，存在有限堆积密度，因此高EV密度样本可能出现信号饱和。第四，空间转录组部分使用的是50 μm分辨率条形码点阵，而EV映射基于RCA产物尺寸可达到约1 μm级检测分辨率。两种空间尺度并不完全一致，未来若结合15 μm甚至8 μm分辨率的空间转录组技术，可能会进一步提升解释力。
这些限制并不削弱研究价值，反而提醒我们：越接近真实组织空间，技术解释就越需要谨慎。看到“共定位”，并不等于证明直接因果；看到“高丰度”，也需要考虑捕获效率、抗体偏好和组织处理条件。
肿瘤免疫研究，正在从“平均值”走向“地图”
这项研究最大的启发，不只是发明了一种检测EV的新技术，而是改变了问题本身。
过去我们常问：肿瘤里PDL1高不高？EV多不多？CD8阳性T细胞有没有浸润？但Spatial-EV-seq让问题变得更具体：PDL1阳性EV集中在哪里？它们附近的CD8阳性T细胞是活化还是耗竭？抗PD1治疗改变的是肿瘤核心，还是边缘？同一个肿瘤内部，哪些区域更像免疫抑制生态位，哪些区域仍保留治疗敏感性？
这些问题的答案，不能靠一个平均表达量完全解决。肿瘤不是均质团块，而是由不同区域、不同细胞状态、不同通讯方式组成的动态系统。EV作为细胞间通讯的重要媒介，过去因为太小、太容易丢失空间信息，常被迫离开组织语境来研究。Spatial-EV-seq把它们重新放回原位，也让我们看到：免疫治疗的成败，可能不仅取决于某个分子是否存在，还取决于这个分子以什么形式、出现在什么位置、影响了哪一群细胞。
对未来的精准医学(precision medicine)而言，这种空间化视角可能非常重要。也许有一天，评估免疫治疗反应不再只是看肿瘤细胞PDL1免疫组化评分，或血液中某类EV的总量，而是结合空间EV图谱、空间转录组和病理结构，判断肿瘤内部哪里正在形成免疫抑制，哪里仍有可能被重新激活。
这项研究给出的答案还不是终点，但它提出了一个值得继续追问的问题：当我们终于能看见这些纳米级“信息包裹”在组织里的位置时，会不会发现，许多疾病机制原本就藏在被平均值抹平的空间细节之中？
参考文献