T细胞耗竭：肿瘤免疫逃逸的阿喀琉斯之踵与攻克策略

发表于2025-07-23|更新于2025-07-26|科技前沿

|浏览量:

大家好，我是你们的博主 qmwneb946。今天，我们要深入探讨一个在肿瘤免疫治疗领域至关重要的概念——T细胞耗竭。这不仅是一个复杂的生物学现象，更是我们理解肿瘤免疫逃逸机制、优化免疫疗法效果的关键所在。如果你对生物医学、人工智能、高通量数据分析，或者仅仅是对生命科学的奥秘充满好奇，那么这篇文章将带你领略一个既充满挑战又充满希望的前沿领域。

长久以来，癌症都是人类面临的巨大挑战。然而，近年来免疫疗法的兴起，特别是免疫检查点抑制剂（ICIs）的成功，为无数患者带来了希望的曙光。它通过“解锁”免疫系统，使其重新识别并攻击癌细胞。然而，并非所有患者都能从中获益，疗效的持久性也参差不齐。这背后的原因复杂多样，而T细胞耗竭（T Cell Exhaustion），正是其中一个核心的、如同“阿喀琉斯之踵”般的症结。

那么，究竟什么是T细胞耗竭？它为何会发生？肿瘤又是如何利用它来逃避免疫清除的？最重要的是，我们又有哪些策略来克服T细胞耗竭，从而更有效地对抗癌症？本文将从基础概念出发，逐步深入到分子机制、肿瘤微环境的复杂交织，并最终展望前沿的治疗策略和计算生物学在这一领域中的应用。

肿瘤免疫监视与逃逸的基石

在深入T细胞耗竭之前，我们必须先理解免疫系统是如何与肿瘤细胞“斗智斗勇”的。这个过程通常被称为“肿瘤免疫监视”。

免疫监视的机制

我们的免疫系统，特别是适应性免疫，拥有一套精密的机制来识别和清除体内产生的异常细胞，包括潜在的癌细胞。T淋巴细胞（简称T细胞）是这个过程中的核心执行者。

当正常细胞发生癌变时，它们会产生一些“非我”的蛋白质，或称肿瘤特异性抗原（TSA）和肿瘤相关抗原（TAA）。这些抗原会被抗原呈递细胞（APCs），如树突状细胞（DCs），捕获、加工并呈递到其细胞表面的主要组织相容性复合体（MHC）分子上。对于T细胞而言，细胞毒性T淋巴细胞（CTLs，或CD8+ T细胞）通过其T细胞受体（TCR）识别MHC-I类分子呈递的抗原，而辅助性T淋巴细胞（Th，或CD4+ T细胞）则识别MHC-II类分子呈递的抗原。

当CD8+ T细胞被激活后，它们会增殖并分化为效应T细胞，能够直接识别并杀死携带有相应抗原的肿瘤细胞。这个过程就像是一支训练有素的特种部队，精准打击潜伏的敌人。

肿瘤免疫逃逸的多种策略

然而，肿瘤细胞并非坐以待毙。在漫长的演化过程中，它们发展出了多种巧妙的机制来逃避免疫系统的监视和清除。这些策略包括但不限于：

抗原丢失或MHC I类分子下调：肿瘤细胞不再表达或降低抗原的表达，或者下调MHC I类分子，使得T细胞“看不见”它们。
分泌免疫抑制性因子：肿瘤细胞或肿瘤微环境中的其他细胞会分泌TGF- $\beta$ 、IL-10等细胞因子，直接抑制T细胞的活性。
招募免疫抑制性细胞：肿瘤可以招募调节性T细胞（Tregs）、髓源性抑制细胞（MDSCs）和肿瘤相关巨噬细胞（TAMs）等，这些细胞会主动抑制抗肿瘤免疫反应。
诱导T细胞无能或凋亡：这是今天我们要重点讨论的策略——T细胞耗竭。肿瘤细胞通过表达PD-L1等配体，结合T细胞上的抑制性受体，导致T细胞功能失调甚至死亡。
肿瘤微环境的物理屏障：肿瘤内部的致密基质和异常血管系统，可能会阻碍T细胞的有效浸润。

在所有这些策略中，T细胞耗竭尤其值得我们关注，因为它直接影响了T细胞这个核心免疫武器的效能。

T细胞耗竭：概念、特征与分子机制

T细胞耗竭是慢性感染和癌症等持续性抗原刺激下，T细胞功能逐渐丧失的一种状态。它与急性感染后T细胞的短暂失能（无能，Anergy）或衰老（Senescence）不同，耗竭T细胞具有其独特的分子特征和表观遗传印记。

什么是T细胞耗竭？

想象一下，一支特种部队在面对持久战时，持续高强度的战斗最终会导致士兵疲惫不堪，火力减弱，甚至无法有效执行任务。T细胞耗竭就是类似的现象。当T细胞长期暴露于高浓度抗原（例如肿瘤细胞持续表达的抗原）和炎症/免疫抑制性微环境时，它们会逐渐丧失其效应功能，表现为：

细胞因子产生减少：如干扰素- $\gamma$ (IFN- $\gamma$ )、肿瘤坏死因子- $\alpha$ (TNF- $\alpha$ ) 和白细胞介素-2 (IL-2) 的分泌能力显著下降。
细胞毒性降低：杀伤肿瘤细胞的能力减弱。
增殖能力受损：无法有效扩增来应对敌人。
高表达抑制性受体：细胞表面持续表达多种免疫检查点分子，如PD-1、CTLA-4、LAG-3、TIM-3、TIGIT等。
转录组学和表观遗传学重编程：其内部基因表达模式发生改变，形成独特的耗竭“程序”。

值得注意的是，耗竭T细胞并非完全无用，它们可能仍能维持一定程度的效应功能，但其效率和持久性远低于正常激活的T细胞。在某些情况下，这些耗竭T细胞甚至可能产生一些促进肿瘤进展的因子。

耗竭T细胞的标志性特征

在分子层面上，T细胞耗竭具有一系列独特的标志，这些标志成为我们识别和研究耗竭T细胞的重要线索。

表面分子

多种免疫检查点受体是耗竭T细胞的典型特征。其中，程序性死亡受体1 (PD-1) 是最著名的标志物，也是免疫检查点抑制剂最成功的靶点之一。除了PD-1，还有：

细胞毒性T淋巴细胞相关抗原4 (CTLA-4)：早期发现的抑制性受体，竞争性结合CD80/CD86，抑制T细胞活化。
淋巴细胞激活基因3 (LAG-3)：与MHC II类分子结合，抑制T细胞增殖和细胞因子分泌。
T细胞免疫球蛋白和黏蛋白结构域3 (TIM-3)：结合其配体（如Galectin-9），诱导T细胞耗竭和凋亡。
T细胞免疫球蛋白和ITIM结构域 (TIGIT)：与CD155/CD112结合，抑制T细胞活性。

这些抑制性受体在T细胞表面高表达，它们像是一道道“刹车”，持续地抑制着T细胞的功能。

转录组学特征

单细胞RNA测序等高通量技术的发展，揭示了耗竭T细胞具有独特的基因表达谱。例如，转录因子TOX和NR4A家族成员（如NR4A1, NR4A2, NR4A3）被认为是T细胞耗竭程序的关键驱动因素。TOX通过调控染色质可及性，协同其他转录因子（如NFAT）促进耗竭相关基因的表达，并抑制效应功能相关基因。

表观遗传学修饰

T细胞耗竭不仅仅是基因表达的改变，更深层次地反映在表观遗传学层面。组蛋白修饰和DNA甲基化模式的改变，导致耗竭T细胞的染色质结构发生重塑，形成独特的、稳定的“耗竭”状态。例如，PD-1、TOX等基因的启动子区域可能出现去甲基化，从而促进其持续高表达。这种表观遗传的“记忆”使得T细胞即使脱离了抑制性环境，也难以完全恢复其原始功能。

核心分子通路与转录因子

理解T细胞耗竭的分子机制，是设计新疗法的基石。

PD-1/PD-L1轴

这是T细胞耗竭研究中最核心的通路。PD-1（T细胞表面）与PD-L1（肿瘤细胞或抗原呈递细胞表面）结合后，PD-1的胞内结构域会招募酪氨酸磷酸酶SHP-1和SHP-2。这些磷酸酶会去磷酸化TCR信号通路中的关键分子（如CD3 $\zeta$ 、ZAP-70），从而抑制T细胞的激活、增殖和细胞因子分泌。
从数学角度看，我们可以将PD-1/PD-L1信号传导简化为一个抑制性反馈环：
假设T细胞激活信号强度为 $S_A$ ，PD-1信号强度为 $S_P$ ，PD-L1表达量为 $E_{PDL1}$ 。
$S_P \propto E_{PDL1} \times R_{PD1}$ (其中 $R_{PD1}$ 为T细胞表面PD-1受体数量)。
T细胞的最终效应功能 $F$ 可以表示为：
$F = k \times S_A - \alpha \times S_P$
其中 $k$ 是激活效率常数， $\alpha$ 是抑制效率常数。当 $S_P$ 持续升高时， $F$ 会显著下降，甚至变为负值（功能丧失）。

其他共抑制受体

CTLA-4在T细胞活化的早期阶段竞争性结合CD80/CD86，从而“抢夺”共刺激信号，抑制T细胞的初始激活。LAG-3、TIM-3、TIGIT等则在T细胞耗竭的不同阶段和亚群中发挥作用，它们往往协同PD-1进一步加剧T细胞耗竭。

TOX/NR4A家族

TOX是一种高迁移率族（HMG-box）转录因子，被认为是T细胞耗竭的“主调控器”。它在慢性抗原刺激下被诱导表达，并与NR4A家族转录因子协同作用，在染色质水平上重塑T细胞的表观遗传景观，从而促进耗竭相关基因的表达（如PD-1）并抑制效应功能相关基因（如颗粒酶B、穿孔素）。
这个过程可以看作是一个复杂的基因调控网络，可以用布尔网络或微分方程组来建模，尽管在生物学中通常是定性描述：
$\frac{d[TOX]}{dt} = f(抗原刺激, 炎症信号) - k_{deg} [TOX]$
其中 $k_{deg}$ 是TOX的降解率。TOX的积累会进一步触发耗竭相关基因的表达。

代谢重编程

耗竭T细胞的代谢也发生了显著改变。正常激活的T细胞主要依赖糖酵解来快速产生能量和生物合成前体。然而，耗竭T细胞的糖酵解能力受损，线粒体功能紊乱，能量代谢效率低下。这种代谢缺陷进一步限制了T细胞的增殖和效应功能。

肿瘤微环境与T细胞耗竭的交织

T细胞耗竭并非孤立现象，它与肿瘤微环境（Tumor Microenvironment, TME）中的复杂相互作用密不可分。TME是一个由肿瘤细胞、免疫细胞、基质细胞、血管以及各种可溶性分子组成的复杂生态系统，它既可以促进肿瘤生长，又可以抑制抗肿瘤免疫反应。

免疫抑制性细胞

TME中充满了各种免疫抑制性细胞，它们是T细胞耗竭的“帮凶”：

调节性T细胞 (Tregs)：这类CD4+ T细胞高表达转录因子FOXP3，通过分泌免疫抑制性细胞因子（如IL-10和TGF- $\beta$ ）、消耗IL-2以及表达CTLA-4等机制，直接抑制效应T细胞的功能。
髓源性抑制细胞 (MDSCs)：MDSCs是一组异质性的未成熟髓系细胞，在肿瘤环境下异常扩增。它们通过产生一氧化氮（NO）、活性氧（ROS）、精氨酸酶1（ARG1）等，抑制T细胞增殖和功能。
肿瘤相关巨噬细胞 (TAMs)：TAMs是一类高度可塑性的巨噬细胞，在肿瘤微环境中被极化为M2表型，通过分泌免疫抑制性细胞因子、促进血管生成和基质重塑，来支持肿瘤生长并抑制抗肿瘤免疫。

这些细胞构成了免疫抑制的“同盟军”，协同作用，共同压制T细胞的活性。

免疫抑制性分子

除了细胞，TME中还存在大量免疫抑制性分子：

细胞因子：
- TGF- $\beta$ ：一种强大的免疫抑制性细胞因子，抑制T细胞增殖、分化和效应功能，并促进Tregs分化。
- IL-10：由多种免疫细胞产生，具有广泛的免疫抑制作用，抑制T细胞激活和细胞因子分泌。
代谢产物：
- 乳酸：肿瘤细胞进行旺盛的糖酵解产生大量乳酸，导致TME局部酸性环境，这会抑制T细胞的代谢和功能。
- 腺苷：肿瘤细胞高表达CD39和CD73，将ATP分解为腺苷，腺苷通过结合T细胞上的A2A受体，抑制T细胞活性。
- 吲哚胺2,3-双加氧酶（IDO）代谢产物：肿瘤细胞或MDSCs高表达IDO，消耗色氨酸，产生犬尿氨酸等代谢产物，抑制T细胞增殖并诱导Tregs分化。

这些分子像是一张无形的网，将T细胞困在其中，使其功能逐渐衰竭。

物理屏障与血管异常

TME的物理结构也对T细胞的浸润和功能造成影响。肿瘤内部致密的胶原基质可能形成物理屏障，阻碍T细胞有效迁移到肿瘤深部。此外，肿瘤血管系统常常是异常的，血管渗透性高、血流缓慢、氧气和营养物质供应不足，这不仅影响了T细胞的有效输送，也造成了局部缺氧和营养匮乏的微环境，进一步加剧了T细胞的耗竭。

攻克T细胞耗竭的治疗策略

理解T细胞耗竭的机制，是为了找到“解药”。目前，研究人员已经开发出多种策略来逆转或预防T细胞耗竭，从而提升抗肿瘤免疫治疗的效果。

免疫检查点抑制剂 (ICIs)

这是目前最成功、最广泛使用的策略。ICIs通过阻断PD-1/PD-L1或CTLA-4信号通路，解除T细胞上的“刹车”，使其重新获得杀伤肿瘤的能力。

PD-1/PD-L1阻断

作用机制：通过抗体阻断PD-1与PD-L1的结合，恢复T细胞的激活信号。
临床应用：Pembrolizumab (Keytruda), Nivolumab (Opdivo) 是PD-1抗体，Atezolizumab (Tecentriq), Durvalumab (Imfinzi) 是PD-L1抗体。它们在黑色素瘤、肺癌、肾癌、膀胱癌、肝癌等多种肿瘤中取得了显著疗效。
成功案例：黑色素瘤患者曾预后极差，但PD-1抑制剂的应用使其5年生存率显著提高。

CTLA-4阻断

Ipilimumab (Yervoy) 是首个获批的CTLA-4抗体。CTLA-4主要在初始T细胞活化阶段起作用，通过与CD28竞争性结合B7分子，抑制T细胞的共刺激信号。

联合阻断策略

PD-1和CTLA-4通路在T细胞活化的不同阶段发挥作用，因此联合阻断这两种检查点可以产生协同效应，在某些肿瘤类型中（如黑色素瘤、肾癌）取得了比单一疗法更好的疗效，但毒副作用也可能增加。

新兴检查点抑制剂

除了PD-1和CTLA-4，针对LAG-3、TIM-3、TIGIT等其他抑制性受体的抗体也在临床试验中展现潜力。例如，Relatlimab是第一个获批的LAG-3抗体，与Nivolumab联用已获批用于黑色素瘤治疗。

T细胞工程

除了药物，直接改造T细胞也是重要的策略。

CAR-T细胞疗法

嵌合抗原受体T细胞（CAR-T）疗法是一种高度个性化的细胞疗法。它通过基因工程，在患者自身T细胞表面表达一个特异性识别肿瘤抗原的CAR分子，使T细胞绕过MHC限制直接识别并杀伤肿瘤细胞。CAR-T在血液肿瘤中取得了巨大成功（如淋巴瘤、白血病）。
然而，CAR-T细胞在实体瘤中的疗效受限，T细胞耗竭是其中一个重要原因。CAR-T细胞在肿瘤微环境中同样面临持续的抗原刺激和免疫抑制，导致其功能耗竭。因此，如何设计更“抗耗竭”的CAR-T细胞，是当前研究的热点，例如：

加入共刺激信号：在CAR结构中引入PD-1的胞内信号域，或者过表达共刺激分子，以抵抗抑制信号。
分泌细胞因子：让CAR-T细胞表达IL-12等促炎细胞因子，改善局部微环境。
CRISPR基因编辑：敲除CAR-T细胞中的PD-1、CTLA-4等耗竭相关基因，使其更具抗耗竭能力。

TCR-T细胞疗法

TCR-T疗法通过基因工程，使患者T细胞表达特异性识别肿瘤抗原的TCR，与CAR-T不同，TCR-T可以识别胞内抗原，从而理论上靶向更广泛的肿瘤抗原。TCR-T细胞也面临耗竭挑战，但其潜在优势使其成为实体瘤治疗的有力候选。

重塑肿瘤微环境

仅仅激活T细胞是不够的，改善TME的免疫抑制性，是提升疗效的另一条路径。

靶向免疫抑制性细胞

Tregs清除：通过抗CD25抗体（如Daclizumab）或化疗药物选择性清除Tregs。
MDSCs/TAMs靶向：靶向其招募或功能相关的分子（如CCR2、CSF1R），抑制其免疫抑制功能。

靶向免疫抑制性细胞因子和代谢通路

TGF- $\beta$ 抑制剂：直接阻断TGF- $\beta$ 信号通路。
IDO抑制剂：通过抑制IDO活性，恢复色氨酸代谢，减轻对T细胞的抑制。
A2A受体拮抗剂：阻断腺苷信号，恢复T细胞功能。

溶瘤病毒、放疗、化疗对TME的影响

这些传统疗法虽然不直接作用于免疫系统，但它们可以通过杀死肿瘤细胞、释放肿瘤抗原、诱导炎症反应、改变TME组成，从而增强T细胞的抗肿瘤活性。例如，放疗可以引起免疫原性细胞死亡（ICD），促进树突状细胞活化，并改善T细胞在肿瘤内的浸润。

联合疗法

多种策略的联合使用，往往能产生协同效应，克服单一疗法的局限性。

ICIs + 化疗/放疗：化放疗可以引起肿瘤细胞死亡并释放抗原，同时也能改变肿瘤微环境，为ICIs创造更有利的免疫激活条件。
ICIs + 靶向治疗：某些靶向药物（如BRAF抑制剂）可以直接杀死肿瘤细胞，同时可能调节肿瘤微环境，增强ICIs效果。
ICIs + 溶瘤病毒：溶瘤病毒直接裂解肿瘤细胞，释放肿瘤抗原，并诱导局部免疫反应，与ICIs协同增效。
ICIs + 细胞因子：如IL-2、IL-12等，直接促进T细胞增殖和功能。

未来的方向：表观遗传学和代谢重编程

随着我们对T细胞耗竭机制的深入理解，未来的治疗策略将更加精准。

靶向TOX和NR4A家族：开发小分子抑制剂，直接干预耗竭程序的核心转录因子。这可能从根本上阻止T细胞进入耗竭状态或逆转已耗竭的T细胞。
代谢重编程：通过药物或基因工程手段，改善耗竭T细胞的糖酵解和线粒体功能，为它们提供足够的“燃料”，使其恢复活力。例如，使用线粒体代谢增强剂。
AI辅助药物设计：利用人工智能和机器学习，从海量生物数据中识别新的靶点，预测药物分子与耗竭相关蛋白的结合亲和力，加速新药研发。

计算生物学与AI在T细胞耗竭研究中的应用

在“大数据”时代，计算生物学和人工智能（AI）正以前所未有的速度，推动着T细胞耗竭和肿瘤免疫治疗的研究。它们能够处理和分析高维度的生物学数据，揭示肉眼难以察觉的规律和模式。

高通量测序数据分析

单细胞RNA测序（scRNA-seq）是革命性的技术，它能够解析单个细胞的基因表达谱，从而识别肿瘤微环境中T细胞的异质性亚群，包括不同程度和状态的耗竭T细胞。通过分析这些数据，我们可以：

识别新的耗竭标志物：发现除了PD-1之外，其他在耗竭T细胞中特异性高表达的基因。
追踪耗竭轨迹：了解T细胞从激活到完全耗竭的动态演变过程。
鉴定耗竭T细胞的亚群：识别具有不同功能和响应治疗潜力的耗竭T细胞亚群。

例如，使用Seurat、Scanpy等R/Python包进行单细胞数据聚类和差异表达分析，可以找出耗竭T细胞与功能性T细胞之间的基因差异。

生物信息学通路分析

一旦识别出差异表达基因，我们可以进一步进行通路富集分析（如基因集富集分析 GSEA, Gene Set Enrichment Analysis），以确定哪些生物学通路在耗竭T细胞中被激活或抑制。这有助于我们理解耗竭的深层机制。

例如，分析耗竭T细胞中代谢相关通路的活性，可以揭示其能量代谢障碍；分析信号转导通路，可以发现新的抑制性信号轴。

机器学习预测与生物标志物发现

AI模型可以在复杂的临床数据中找到模式，从而预测患者对免疫检查点抑制剂的响应，并识别潜在的生物标志物。

患者响应预测：基于患者的基因表达谱、T细胞浸润模式、肿瘤突变负荷（TMB）等数据，构建机器学习模型（如支持向量机SVM、随机森林Random Forest、深度学习神经网络），预测哪些患者可能对ICIs有良好响应。
生物标志物发现：通过特征选择算法，从海量数据中筛选出与疗效或毒性相关的基因、蛋白或细胞亚群，作为新的诊断或预后生物标志物。
多组学数据整合：将基因组学、转录组学、蛋白质组学和代谢组学数据整合起来，构建更全面的患者图谱，提升预测精度。

药物发现与靶点验证

AI在药物研发中扮演着越来越重要的角色。

虚拟筛选：利用深度学习模型预测小分子化合物与T细胞耗竭相关蛋白（如TOX）的结合能力，加速新药的筛选过程。
结构预测：AlphaFold等工具能够精准预测蛋白结构，有助于理解其功能和设计靶向药物。

这里我们提供一个概念性的Python代码块，展示如何使用scanpy库对模拟的单细胞RNA测序数据进行T细胞亚群的简单聚类和可视化。在实际研究中，这只是整个复杂分析流程的第一步。

# 这是一个概念性的代码块，用于展示单细胞数据分析的思路。
# 实际运行需要安装 scanpy, anndata, matplotlib, seaborn, numpy 等库
# pip install scanpy anndata matplotlib seaborn numpy

import scanpy as sc
import anndata as ad
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

print("--- 模拟单细胞数据分析T细胞耗竭 ---")

# 1. 模拟生成一些单细胞基因表达数据
# 假设我们有2000个T细胞，表达1000个基因
n_cells = 2000
n_genes = 1000

# 模拟两类T细胞：Effector T cells (E_T) 和 Exhausted T cells (Ex_T)
# E_T: 高表达效应基因 (e.g., GZMB, PRF1, IFNG)
# Ex_T: 高表达耗竭相关基因 (e.g., PDCD1, TOX, LAG3)

# 模拟基因表达矩阵 (counts)
# 简化：假设基因表达遵循泊松分布
np.random.seed(42)
gene_names = [f'gene_{i}' for i in range(n_genes)]
cell_names = [f'cell_{i}' for i in range(n_cells)]

# 随机生成T细胞类型标签
cell_types = ['Effector_T'] * (n_cells // 2) + ['Exhausted_T'] * (n_cells // 2)
np.random.shuffle(cell_types) # 打乱顺序

# 模拟基因表达，使不同类型细胞有差异表达基因
data = np.random.poisson(lam=5, size=(n_cells, n_genes)).astype(float)

# 设定一些差异表达基因
effector_genes = ['GZMB', 'PRF1', 'IFNG']
exhaustion_genes = ['PDCD1', 'TOX', 'LAG3']

# 确保这些基因在模拟数据中存在（这里我们用索引模拟）
# 假设GZMB是gene_10, PRF1是gene_20, IFNG是gene_30
# 假设PDCD1是gene_50, TOX是gene_60, LAG3是gene_70
# 真实数据中会直接用基因名查找

# 增强效应T细胞中效应基因表达
for i, cell_type in enumerate(cell_types):
    if cell_type == 'Effector_T':
        # 假设这些基因在模拟数据中的索引
        data[i, 10] = np.random.poisson(lam=15) # GZMB
        data[i, 20] = np.random.poisson(lam=15) # PRF1
        data[i, 30] = np.random.poisson(lam=15) # IFNG
    elif cell_type == 'Exhausted_T':
        # 增强耗竭T细胞中耗竭基因表达
        data[i, 50] = np.random.poisson(lam=20) # PDCD1
        data[i, 60] = np.random.poisson(lam=20) # TOX
        data[i, 70] = np.random.poisson(lam=20) # LAG3

# 将模拟数据转换为AnnData对象
adata = ad.AnnData(data, obs=pd.DataFrame({'cell_type': cell_types}, index=cell_names),
                    var=pd.DataFrame(index=gene_names))

# 2. 基本预处理
sc.pp.normalize_total(adata, target_sum=1e4) # 标准化每个细胞的总计数
sc.pp.log1p(adata) # 对数据进行对数转换
sc.pp.highly_variable_genes(adata, min_mean=0.0125, max_mean=3, min_disp=0.5) # 识别高变基因
adata = adata[:, adata.var.highly_variable] # 过滤只保留高变基因
sc.pp.scale(adata, max_value=10) # 缩放数据

# 3. 降维和聚类
sc.tl.pca(adata, svd_solver='arpack') # PCA降维
sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40) # 构建邻居图
sc.tl.umap(adata) # UMAP降维进行可视化

sc.tl.leiden(adata, resolution=0.5) # Leiden聚类，识别细胞亚群

# 4. 可视化
plt.rcParams['figure.figsize'] = (6, 6) # 设置图形大小
sc.pl.umap(adata, color='cell_type', title='UMAP of T Cells (Simulated)',
           palette={'Effector_T': 'blue', 'Exhausted_T': 'red'})
plt.show()

sc.pl.umap(adata, color='leiden', title='UMAP of T Cells by Leiden Clusters (Simulated)')
plt.show()

# 5. 差异表达基因分析（找出每个Leiden簇的标志基因）
sc.tl.rank_genes_groups(adata, 'leiden', method='t-test')
# sc.pl.rank_genes_groups(adata, n_genes=10, sharey=False) # 可以可视化每个簇的前10个基因

# 找出'Effector_T'和'Exhausted_T'在聚类结果中对应的簇
# 通常需要人工检查或根据已知标志物来确定
# 假设leiden聚类结果中 0 是Effector_T, 1 是Exhausted_T
# 我们可以打印一下差异表达基因，看是否符合我们的预期
print("\n--- Top differentially expressed genes for Leiden cluster 0 (Effector_T like) ---")
print(pd.DataFrame(adata.uns['rank_genes_groups']['names'])[0].head())
print("\n--- Top differentially expressed genes for Leiden cluster 1 (Exhausted_T like) ---")
print(pd.DataFrame(adata.uns['rank_genes_groups']['names'])[1].head())

# 可视化特定耗竭相关基因的表达
sc.pl.umap(adata, color=['PDCD1', 'TOX', 'LAG3'],
           title='Expression of Exhaustion Markers on UMAP (Simulated)')
plt.show()

sc.pl.umap(adata, color=['GZMB', 'PRF1', 'IFNG'],
           title='Expression of Effector Markers on UMAP (Simulated)')
plt.show()

print("\n模拟分析完成。通过真实单细胞数据分析，可以更精确地识别耗竭T细胞亚群及其独特的基因表达模式。")