基于非负最小二乘与优化搜索的空间转录组解卷积及细胞通讯推断方法NODE

空间转录组技术面临细胞异质性混合和空间信息缺失的挑战。研究者提出NODE算法，整合单细胞RNA测序(scRNA-seq)数据和空间互作信息，通过非负最小二乘优化实现高精度细胞类型解卷积，同时量化spot间通讯强度。在模拟和真实数据中验证显示，NODE在细胞定位误差(RMSE=1.3213)和通讯推断(AUC=0.843)上均优于现有方法，为器官发育和肿瘤微环境研究提供新工具。

　　

空间生物学领域正面临一个关键挑战：现有空间转录组技术受限于分辨率，每个检测点捕获的是多个细胞的混合基因表达信号，这就像试图通过模糊镜头观察细胞社会的精细运作。更棘手的是，大多数解卷积算法忽略了组织空间结构的连续性特征和细胞间的"对话"机制，导致细胞组成推断失真。这种信息缺失使得研究人员难以精确解析器官发育中的细胞动态或肿瘤微环境中的免疫-癌细胞互作。

针对这一瓶颈，杭州高等研究院（UCAS）的研究团队在《Communications Biology》发表了突破性研究。他们开发的NODE算法创新性地将非负最小二乘优化与空间通讯建模相结合，首次实现了解卷积与spot间信息流的同步解析。该研究通过四类数据集验证显示：在模拟数据中NODE的细胞数量推断误差(RMSE)比次优方法降低26.9%，在人类心脏发育数据中成功预测了心肌细胞与平滑肌细胞的空间互作模式，其通讯矩阵与CellChat结果显著相关(p<0.001)。

关键技术包括：1) 基于scRNA-seq构建细胞类型特征矩阵B；2) 双重优化模型Y=X₁B^T+ε₁和Y=W₁Y+X₂B^T+ε₂迭代求解；3) 使用人类心脏(4.5-9PCW)、胰腺癌(PDAC)和皮肤癌(SCC)等多组织样本验证；4) 通过AUC和Pearson相关系数量化通讯信号准确性。

解卷积性能验证

在模拟数据中，NODE在四种场景下的RMSE中位数(1.3213-1.5931)显著低于SpaTalk(2.8793)等方法。小鼠嗅球(MOB)实验显示，NODE解卷积结果与三层解剖结构的H&E染色匹配度达94.16%(Spearman相关性)，能清晰区分颗粒细胞层(GC)、僧帽细胞层(M-TC)和肾小球层(PGC)。

肿瘤微环境解析

对胰腺导管腺癌(PDAC)数据的分析表明，NODE准确识别了癌区克隆A/B细胞的富集(癌区占比78.6% vs 非癌区21.4%)，其定位与组织学注释的符合度优于SPOTlight等工具。在皮肤鳞癌(SCC)中，NODE检测到肿瘤特异性角化细胞(TSK)与B细胞的共定位(r=0.4216)，揭示了肿瘤-免疫互作特征。

心脏发育通讯预测

通过6.5PCW人类心脏数据，NODE发现心室心肌细胞向心外膜细胞的信息流，这与小鼠E14.5后的电脉冲传导特征一致。平滑肌细胞的聚集位置与肺静脉发育区域高度重合(AUC=0.852)，验证了空间通讯对器官形态发生的调控作用。

这项研究的意义在于：1) 首次实现了解卷积与空间通讯的联合优化，将spot间互作强度量化为可计算的W₁矩阵；2) 在单细胞分辨率下揭示了心脏发育中的定向信号传递机制；3) 为肿瘤免疫微环境研究提供了细胞互作量化工具。研究者特别指出，NODE对批次效应和空间噪声的鲁棒性使其在临床样本分析中具有独特优势，但其计算效率仍有提升空间。该算法已开源，为空间多组学时代的细胞社会学研究提供了新的方法论框架。