空间组学数据中持续局部模式的识别揭示组织表征新维度及其在癌症精准诊疗中的应用

本研究针对空间组学数据分析中组织异质性表征的难题，开发了Kasumi算法，通过识别跨样本持续存在的局部多变量关系模式，构建可解释的组织表征框架。该方法在乳腺癌导管原位癌(DCIS)、皮肤T细胞淋巴瘤(CTCL)等临床队列中显著提升患者分层准确率(AUROC 0.79-0.87)，揭示了与治疗响应相关的关键空间互作模式，为精准医疗提供了新型计算工具。

　　

在精准医疗时代，理解肿瘤微环境的空间异质性成为突破治疗瓶颈的关键。传统组织分析方法受限于技术分辨率，难以捕捉细胞间复杂的空间互作网络。随着空间组学技术(MIBI/CODEX/IMC)的突破，研究者们获得了前所未有的组织分子图谱，但如何从这些高维数据中提取具有临床意义的生物标志物仍面临巨大挑战。现有空间分析方法或依赖先验细胞类型标记，或难以平衡计算复杂性与结果可解释性，亟需开发能同时解析多尺度空间模式的新型计算框架。

德国癌症研究中心等机构的研究团队在《Nature Communications》发表创新性研究，开发了Kasumi算法框架。该研究整合了来自乳腺癌导管原位癌(79例)、皮肤T细胞淋巴瘤(69例)和乳腺癌(376例)三个独立队列的空间蛋白质组数据，通过多视角随机森林建模和Leiden社区检测，首次实现了组织局部关系模式的系统性挖掘。研究证实基于持续空间模式的表征显著优于传统方法，在预测疾病进展和治疗响应任务中AUROC提升达0.17-0.32。

关键技术方法包括：1)采用滑动窗口策略(默认50%重叠)分割组织样本；2)构建包含细胞内特征(intraview)和微环境特征(paraview)的多视角随机森林模型；3)基于余弦相似度的Leiden聚类识别跨样本持续模式；4)通过10折交叉验证评估临床预测效能。所有分析均使用公开数据集，包括DCIS(MIBI)、CTCL(CODEX)和BC(IMC)平台数据。

【Kasumi识别持续局部模式】
研究团队设计的三阶段分析流程：首先通过滑动窗口(100-300μm)提取局部区域特征，随后构建预测模型量化细胞类型/标记物间的多变量关系重要性(M_j,i^(v,k))，最终基于相似性网络识别跨样本持续存在的空间模式。在CTCL队列中，该方法发现的CD4⁺T细胞-肿瘤细胞空间排斥模式与PD-1抑制剂响应显著相关。

【Kasumi提取稳健临床关联】
在三个独立验证队列中，Kasumi表征的预测性能(AUROC 0.72-0.87)显著优于细胞类型分布、CSEA和CCN等方法。特别值得注意的是，在CTCL队列中，模型依赖度(sMR)分析显示簇4(富含M1>M2巨噬细胞)与治疗响应正相关，而簇16(肿瘤-基质互作)与治疗抵抗相关，这些发现为免疫治疗机制提供了新见解。

【Kasumi解析功能标记关系】
当输入数据转换为标记物丰度时，Kasumi仍保持优越性能(AUROC 0.72-0.78)。在激素治疗敏感的乳腺癌样本中，簇5显示出CAIX-mTOR-pS6通路协调激活，而抵抗样本中的簇37则呈现CD45-Fibronectin-GATA3空间排斥模式，提示肿瘤-免疫-基质三方互作在治疗抵抗中的关键作用。

【讨论与展望】
该研究突破性地将组织表征从静态细胞组成推进到动态关系网络层面，其创新性体现在：1)首次实现多尺度空间关系的系统性量化；2)开发无需细胞类型先验的分析模式；3)保持计算效率(单样本平均分析时间<1分钟)。Kasumi的开源实现(R包)将促进空间组学在临床转化中的应用，特别在免疫治疗响应预测、肿瘤异质性评估等领域具有重要价值。未来工作可拓展至转录组数据整合、递归邻域分析等方向，为构建组织结构"图谱"奠定基础。

研究同时指出当前局限：最优窗口尺寸需经验性调整；在低分辨率数据中应用受限。这些发现为空间组学算法开发设立了新标准，其揭示的M1巨噬细胞空间模式、GATA3调控网络等机制为后续实验研究提供了明确方向。随着空间多组学技术的发展，Kasumi框架有望成为连接分子特征与临床表型的关键桥梁。