空间形态蛋白质组学特征预测组织架构中的疾病状态：基于图神经网络的SNOWFLAKE算法解析免疫微环境

本研究针对免疫细胞在组织微环境中的空间组织机制这一关键问题，开发了SNOWFLAKE图神经网络框架，整合单细胞蛋白表达（CD20/CD21/Ki67等）与形态学特征，成功预测COVID-19感染状态（AUC 0.973）。该技术突破传统机器学习局限，首次实现从淋巴滤泡空间结构中提取可解释的亚图生物标志物，为肿瘤免疫微环境研究提供新范式。

　　

免疫系统如何通过细胞的空间排布来响应疾病？这个看似简单的问题背后，隐藏着组织微环境的高度复杂性。就像雪花形成过程中受温度、湿度等参数影响会产生独特晶体结构一样，淋巴滤泡中的生发中心（Germinal Center, GC）也会因抗原刺激形成特征性空间构象。然而，传统技术难以量化这种多维度的空间-蛋白关联，阻碍了人们对感染和肿瘤免疫微环境的深入理解。

针对这一挑战，美国佐治亚理工学院与埃默里大学Wallace H. Coulter生物医学工程系的Thomas Hu、Efe Ozturk等研究者，在《iScience》发表了突破性研究。他们开发的SNOWFLAKE（Spatial Single-cell Organization With Formation LeArning and Knowledge Embedding）算法，首次将图神经网络（Graph Neural Network, GNN）与形态计量学（MorphPCA）相结合，通过分析8,879,749个单细胞的空间-蛋白特征，实现了从组织架构预测疾病状态的创新突破。研究团队利用5折交叉验证证实，该模型在儿科COVID-19数据集上的预测AUC达0.973，显著优于随机森林（0.808）等传统方法。

关键技术包括：1）基于接触网络的单细胞空间图构建；2）Procrustes对齐的滤泡形态PCA降维；3）位置感知的图注意力网络（GAT）融合边缘距离/角度特征；4）集成梯度（IG）和GNNExplainer的可解释亚图提取。研究队列涵盖NIH提供的12例儿童扁桃体/腺样体样本（6例COVID-19康复者），并通过IMC和CODEX技术验证了在乳腺癌（518例）和结直肠癌TLS（18例）中的普适性。

SNOWFLAKE整合形态学和蛋白质标记物通过图神经网络

研究团队发现，将滤泡形态主成分（如GC_SM_1）与CD21⁺滤泡树突细胞（FDC）表达关联后，模型能捕捉生发中心的结构变异。通过MorphPCA提取的16个主成分可解释95%形态变异，其中与B细胞迁移相关的CCR7/CCL19轴空间模式在COVID-19阳性样本中显著改变。

位置感知SNOWFLAKE提供可解释的边缘和节点归因

创新性地将极坐标转换融入图边缘特征后，模型可定位关键相互作用。如图2所示，COVID-19阳性样本中Ki67⁺ B细胞与CD68⁺巨噬细胞的连接权重更高（p<0.001），而阴性样本则以CD21⁺ FDC网络为主导。这种空间模式通过亚图聚类（Subgraph Cluster, SC）量化后，发现SC6（FDC-Ki67⁺ B细胞互作）对阳性预测贡献率达87.2%。

亚图聚类揭示与感染和生存相关的空间基序

从14,480个高权重亚图中识别出16种空间基序，其中SC10（Ki67⁺ B细胞富集）在COVID-19组出现频率是对照组的2.3倍（p=0.002）。而在乳腺癌IMC数据中，ER⁺肿瘤特有的EpCAM⁺细胞-胶原纤维空间模式，使GAT模型的预测AUC提升至0.938。

讨论与展望

该研究开创性地证明：1）淋巴滤泡的空间拓扑结构携带疾病特异性信息；2）亚图水平的生物标志物比整体表达更具预测力（如CD4⁺ T细胞空间网络对生存期的预测优于单纯表达量）；3）算法在跨组织（腺样体/乳腺/结直肠癌）应用中保持稳健性。局限性在于当前标记物面板（10-plex）未能覆盖全部免疫亚群，且样本量较小。未来结合空间转录组和更大队列，有望揭示更精细的免疫-基质互作机制。这项技术对疫苗研发和肿瘤免疫治疗评估具有重要转化价值，其开源代码（GitHub: coskunlab/Snowflake）将推动空间组学领域的算法创新。