Nature Cancer：空间转录组学分析工具改善CNS肿瘤的诊断

　　

在诊断脑肿瘤时，传统的方法是依据形态学外观和单个蛋白表达。如今，新一代测序和甲基化分析已成为肿瘤分类的基础。这类分析通常需要足够数量和质量的DNA，限制了可行性。

德国海德堡大学医院等机构的研究人员开发出一种基于人工智能（AI）的工具，用于分析空间转录组学数据，为中枢神经系统（CNS）的肿瘤诊断提供信息。这项成果于1月29日发表在《Nature Cancer》杂志上。

海德堡大学医院的Felix Sahm和埃尔兰根大学医院的Dieter Henrik Heiland及其同事在论文中写道：”将空间转录组学纳入神经病理学工作流程增强了我们对肿瘤微环境、亚克隆异质性以及细胞相互作用的了解。

“通过机器学习，我们将分子预测映射到组织学图像上，协助诊断过程，特别是在样本量有限的情况下，样本量有限在脑肿瘤诊断中很常见，”他们解释说。

研究人员在文中概述了他们的空间转录组分析框架，即 “神经病理学空间转录组分析”（NePSTA）。这个框架将空间转录组图谱与机器学习算法和图神经网络人工智能相结合，以推断各种肿瘤特征，从拷贝数改变或肿瘤基因型到免疫组化。

作者解释说：“这一框架涵盖了目前神经病理学诊断的全部内容，包括自动化的组织学、转录组学、遗传学和表观遗传学分析。从少量组织中生成高维数据的能力有望成为神经病理学诊断工具的宝贵补充，尤其是对于具有挑战性的组织。”

研究人员从130名参与者的样本入手，包括在德国四个医疗中心登记的107名神经上皮性CNS肿瘤患者和23名健康对照。

他们利用10x Genomics的Visium空间转录组数据对NePSTA进行了训练，以预测肿瘤组织学、DNA甲基化特征和其他诊断特征，这些数据来自新鲜冷冻或FFPE肿瘤组织切片。

研究团队解释说，这些样本覆盖IDH野生型或IDH1/2突变型胶质母细胞瘤、小儿CNS肿瘤和神经胶质瘤。他们指出，该方法旨在从少量组织活检样本中获取尽可能多的信息。

作者写道：”我们用极具挑战性的神经肿瘤学样本展示了NePSTA的性能。这种形态学和分子数据的结合将最近出现分歧的'传统'和'现代'病理学领域结合在一起，这两个领域都有其真正独特的优势，可共同优化患者护理，而这最终取决于最佳的诊断结果。”

研究人员报告说，在对NePSTA工具进行训练后，他们可以预测单个患者的肿瘤特征，比如甲基化亚类或组织学特征，准确率约为89.3%。

“总的来说，我们建立并验证了NePSTA，这是一个全面分析空间转录组数据的框架，具有广泛的诊断应用前景，比如推断IHC、CNA和深度基因分型，“作者写道。

“我们证明，空间转录组学信号人工智能算法的整合可以进一步预测表观遗传亚组，开展自动分割，并以空间分辨率描述CDKN2A/B缺失等预后基因组改变的特征”。