这篇文章是属于类型a：单项原创研究的科学文献报道，以下是为中文读者撰写的详细学术报告。
胶质母细胞瘤（Glioblastoma Multiforme, GBM）是成人中最常见的原发性恶性脑肿瘤，其侵袭性强、生存率低且治疗效果不理想。尽管目前的标准治疗方法包括最大安全范围的手术切除、术后放化疗结合及定期影像学随访检测，但相关诊断工具（例如磁共振成像MRI和病理活检）对于预测复发和复发时间（Time to Recurrence, TTR）的准确性有限。这一局限性在于残留肿瘤细胞的异质性、生物学行为的复杂性以及影像诊断和活检的取样偏差。因此，改进基于组织微环境（Tumor Microenvironment, TME）的诊断技术和建模工具成为关键。
本文由 Pejman Shojaee、Edwin Weinholtz、Nadine S. Schaadt 等学者共同完成，发表于《npj | Systems Biology and Applications》（2025年）期刊。研究致力于通过引入高精度数学建模工具，考察肿瘤相关巨噬细胞（Tumor-Associated Macrophages, TAMs）、肿瘤微环境中氧气浓度和肿瘤细胞塑性行为对复发预测的潜在贡献。
研究中提出了三个关键科学问题： 1. 肿瘤相关巨噬细胞（TAMs）在肿瘤细胞侵袭边缘形成及复发中的作用具体表现为何？ 2. 在肿瘤微环境中，表型可塑性（phenotypical plasticity）如何在胶质瘤细胞与TAMs相互作用下调控？ 3. 是否可以借助虚拟病人模型，基于局部活检和非局部样本，通过数学建模提高对术后复发的预测能力？
研究团队开发了一种先进的数学模型，结合时空分布的偏微分方程（Partial Differential Equations, PDEs）探讨TME中关键生物参数（包括TAMs密度、氧气水平、Ki67增殖标志物及肿瘤核心与边缘特性）对术后复发的预测价值。此外，通过生成20,000名“虚拟病人”数据集，系统评估标准诊断工具与复杂生物标志物之间的关联性，提出了特征工程与机器学习的建模框架。
团队的数学模型基于先前研究基础（例如 Alfonso et al., 2016）改进，核心变量包括： - 肿瘤细胞表型转变： 分为增殖型（Grow）与迁移型（Go），转变受到氧气浓度与TAMs中M2型抗炎巨噬细胞调控； - 氧气扩散： 氧气供应通过血管维持，并为肿瘤与TAMs消耗； - 巨噬细胞分型： TAMs进一步分为抗肿瘤的M1型与促肿瘤的M2型，两者受局部肿瘤分泌信号影响（如CXCL16、IL-10、CCL2等）。
数学建模流程包括以下阶段： 1. 建立初始肿瘤密度及组织氧气浓度分布； 2. 模拟手术切除后肿瘤组织残留与随访复发； 3. 基于特异性生物和影像数据提取的特征，使用机器学习算法分析特征对复发的预测能力。
团队利用拉丁方体抽样（Latin Hypercube Sampling, LHS）法生成了20,000个虚拟患者的数据集。每位患者的数据包括： - MRI成像数据（T1GD加权影像与FLAIR成像测定）。 - 巨噬细胞密度及广泛的生物学特征（局部与非局部活检，针对核心与边缘区域分别取样）。 - 临床目标输出，包括3、6和12个月后肿瘤浸润宽度（Infiltration Width, IW）和肿瘤总体大小（Tumor Size, TS）。
研究对数据中的噪声敏感性进行了评估，模拟弱噪声、中等噪声和强噪声条件下的模型性能，对比“局部活检”（Localized Biopsies）与“随机取样活检”（Non-Localized Biopsies）的预测价值。
组织氧气与TAMs对肿瘤塑性行为的影响：
虚拟动态预测：
机器学习分析支持的特征重要性：
研究团队得出以下核心结论： 1. 肿瘤边缘处的M2型巨噬细胞是预测复发的重要生物学指标，与氧气相关的“go-or-grow”机制在定量建模和动态模拟中表现突出； 2. 利用虚拟数据工具显著提升了预测肿瘤复发的多特征评估能力，尤其是在结合MRI及TAMs数据应用的情况下； 3. 改进局部活检及多模态影像分析以补充现有标准诊断手段，在制定个性化治疗方案中特别重要。
该研究综合运用了定量数学建模、虚拟实验和机器学习工具，揭示了传统影像技术与肿瘤微环境生物学特征结合后对复发预测的深远潜力。未来方向包括将此虚拟模型与临床实际应用相结合，验证不同诊断特征及治疗干预的效果，以优化胶质瘤患者术后管理和生存质量。