基于可解释图神经网络的单细胞测序数据肿瘤微环境成分预测研究

本文创新性地提出scExGraph框架，通过对抗图域适应（adversarial graph domain adaptation）和动态子图学习技术，解决了单细胞RNA测序（scRNA-seq）数据在跨患者细胞注释和可解释性细胞互作分析中的核心挑战。该模型采用双分支图卷积编码器（GCN）分离域特异性与共享特征，结合随机注意力机制和KL散度约束生成可解释子图，在结直肠癌、非小细胞肺癌和乳腺癌数据集（88,507个细胞）中实现0.918的平均注释准确率，并鉴定出CEACAM1、USP15等免疫调控基因，为解码肿瘤微环境（TME）异质性提供了高效且具生物学意义的分析工具。

　　

Highlight

当前单细胞RNA测序（scRNA-seq）分析方法在建模肿瘤微环境（TME）异质性时面临两大挑战：跨域特征整合不足，以及缺乏对细胞互作网络的系统性解析。scExGraph通过融合对抗图域适应与动态子图学习机制，突破传统方法的局限性。

Datasets

研究整合了结直肠癌、非小细胞肺癌和乳腺癌的癌组织（88,507细胞）与癌旁正常组织（47,022细胞）数据集，涵盖15例患者样本，平均每例约5,900个细胞，为跨疾病比较提供高分辨率数据基础。

Conclusion

scExGraph通过双GCN编码器分离域不变特征，结合随机注意力机制动态调整边权重，显著提升跨患者注释鲁棒性。实验证实其能识别关键免疫调控通路（如CEACAM1-TIM-3互作），为肿瘤微环境解码提供兼具计算效率与生物学解释性的新范式。