AAnet神经网络解码三阴性乳腺癌空间转录组瘤内异质性：从代谢表型连续体到靶向GLUT3的治疗新策略

本刊推荐：本研究创新性开发神经网络框架AAnet（Archetypal Analysis network），首次实现对三阴性乳腺癌（TNBC）单细胞转录组数据的非线性原型分析（AA），成功解析肿瘤细胞表型连续体中的五种原型状态（AT）。通过整合空间转录组学技术，发现缺氧原型（hypoxic AT）特异性高表达GLUT3（SLC2A3）并证明其驱动肿瘤生长转移的关键作用。该研究为理解肿瘤异质性提供了新范式，并为靶向代谢脆弱性提供了实验依据。

　　

研究背景与技术瓶颈

肿瘤细胞在表型连续体中的动态变化是癌症研究的核心挑战。传统聚类分析和轨迹推断方法难以有效解析缺乏明确边界或发育轨迹的细胞状态连续体。原型分析（AA）虽能识别极端细胞状态（archetypes, ATs），但线性AA方法无法捕捉单细胞数据中的非线性几何特征。

AAnet算法的创新性突破

研究团队开发了原型分析神经网络（AAnet），通过自动编码器框架将数据映射到单纯形潜在空间。该模型引入扩散极值损失函数，基于数据几何结构识别原型点，显著提升了对非线性数据的解析能力。与主流AA方法相比，AAnet在模拟数据中展现出优异的性能，尤其在高度非线性转化场景下仍能准确识别真实原型。

三阴性乳腺癌原型图谱解析

应用AAnet分析MDA-MB-231小鼠模型单细胞RNA测序（scRNA-seq）数据，在原发性肿瘤中鉴定出五种稳定的原型状态：增殖型AT（高表达CDK1/CDC20）、氧化/脂肪生成型AT（富集OXPHOS和ROS通路）、缺氧型AT（高表达SLC2A1/SLC2A3和糖酵解酶）、细胞损伤/死亡型AT以及免疫刺激型AT（高表达HLA基因和细胞因子）。这些原型在匹配的淋巴结、肝脏和肺转移灶中呈现高度保守性，但组织特异性分布模式存在显著差异。

空间转录组验证空间组织模式

通过空间转录组学（Visium）技术结合单细胞多模态生成对抗网络（scMMGAN）分析，发现原型细胞具有明确的空间组织规律：增殖型AT分布于肿瘤外围区域，缺氧型AT集中于肿瘤核心区，免疫刺激型AT则在缺氧区周边形成过渡带。这种空间分布模式与特定微环境生态位密切相关。

微环境与原型的互作网络

对肿瘤微环境进行原型分析发现六种微环境原型（ME-AT），包括导管型、脂肪型、基质型、中性粒细胞型、髓系细胞型和抗原应答型。细胞通讯分析揭示配体-受体互作网络：增殖型AT通过PDGFC-Pdgfrb和FGF12-Fgfr1信号促进血管生成，缺氧型AT通过CD44-Mif轴增强中性粒细胞募集，而免疫刺激型AT通过MMP9-Itgam和IL1A-Il1rap介导免疫调控。

GLUT3代谢脆弱性的实验验证

代谢分析显示缺氧型AT特异性高表达葡萄糖转运蛋白GLUT3（SLC2A3）。功能实验证实敲低GLUT3可显著抑制MDA-MB-231、HCC38-CD44^Hi和HCC1806细胞的葡萄糖摄取、糖酵解通量和肿瘤球形成能力。体内实验证明GLUT3缺失显著降低肺转移负荷（P<0.003）。免疫荧光显示GLUT3⁺细胞与HIF1α⁺缺氧区域空间共定位，且DREMI分析证实GLUT3表达对HIF1α存在依赖性。

人类乳腺癌样本的临床相关性

分析34例人类乳腺癌单细胞数据（含ER⁺、HER2⁺和TNBC亚型），发现18个与缺氧原型相似的人类ATs均高表达GLUT3和糖酵解基因，而8个与增殖原型相似的ATs高表达TCA循环基因。这些代谢原型跨越不同分子分型，表明AAnet可识别跨亚型的生物学相似性。

研究意义与未来展望

该研究建立的AAnet框架突破了传统细胞状态分析方法的技术局限，首次在三维空间维度解析了肿瘤原型的组织结构。发现GLUT3在缺氧原型中的关键作用为靶向肿瘤代谢提供了新方向。该方法适用于癌症、免疫学和发育生物学等多个领域，为单细胞数据分析提供了强大新工具。