《Nature Communications》:Robust and interpretable prediction of gene markers and cell types from spatial transcriptomics data
编辑推荐:
本研究针对空间转录组学(ST)技术成本高昂、临床推广受限的瓶颈,开发了深度学习框架STimage,能够直接从常规H&E组织切片预测空间基因表达与细胞类型。该模型通过负二项分布估计基因表达、集成学习量化不确定性,并结合LIME可解释性分析,在乳腺癌、皮肤癌、肾病等多类数据集上验证其跨平台泛化能力。研究进一步证实STimage预测结果可分层患者生存、预测药物反应,为数字化病理提供新工具。相关成果发表于《Nature Communications》。
组织病理学是疾病诊断的基石,但传统的H&E(苏木精-伊红)染色切片只能提供形态学信息,无法反映分子层面的异质性。空间转录组学(Spatial Transcriptomics, ST)技术虽能同时捕获基因表达与空间位置,却因成本高昂、技术复杂难以临床普及。如何从广泛存在的H&E图像中直接挖掘分子信息,成为数字病理领域的核心挑战。
为解决这一难题,研究团队开发了STimage——一个可直接从标准H&E图像预测空间基因表达和细胞类型的深度学习框架。该模型创新性地结合负二项(Negative Binomial, NB)分布估计基因表达分布,并引入集成学习量化数据固有(aleatoric)与模型(epistemic)不确定性。通过线性模型无关解释(LIME)技术,STimage还能在单细胞层面识别对预测贡献最大的组织特征。研究在乳腺癌、皮肤癌、肾病等多元数据集上验证显示,STimage预测的基因空间模式与真实测量高度一致(如乳腺癌标志物ESR1、ATP1A1等),且其预测结果能有效分层患者生存风险(C-index>0.6)并预测化疗反应(AUC=0.70)。该研究为突破空间组学技术壁垒、推动分子病理普及提供了新范式。
关键技术方法包括:1)基于负二项分布的基因表达概率建模;2)集成多基础模型(如Virchow2、GigaPath)的嵌入特征提升泛化性;3)利用LIME实现预测可解释性分析;4)采用留一交叉验证(LOOCV)评估跨数据集性能;5)结合Xenium单细胞数据训练细胞分类模型。实验数据涵盖10x Visium、Xenium、PhenoCycler Fusion等多平台,以及TCGA非空间数据集。
研究结果
2.1 模型架构与不确定性量化
STimage通过卷积神经网络(CNN)或视觉Transformer(ViT)提取H&E图像特征,连接负二项分布参数输出层,以对数似然损失优化模型。相比现有工具(如STnet、Hist2ST),STimage首次实现基因表达分布的概率预测与双维度不确定性量化。在FFPE样本测试中,癌症标志物ATP1A1的预测相关性(PCC=0.52)显著高于CD63(PCC=0.34),且认知不确定性较低,表明模型对分布外数据具有稳健性。
2.2 跨平台与跨组织验证
研究在乳腺癌、皮肤癌、肾病及非癌肝病数据集上采用留一验证策略。结果显示,前100个可预测基因的PCC介于0.2–0.8,且富集分析表明这些基因均与相应组织生物学功能相关(如黑色素瘤中SOX10、S100B)。尤为重要的是,在单一乳腺癌数据上训练的模型,可直接预测皮肤癌中SOX10等标志物表达,其空间模式与PhenoCycler Fusion蛋白检测结果高度吻合。
2.3 单细胞分辨率分类应用
基于Xenium单细胞数据训练的细胞分类模型(改进版Hover-Net)在五例乳腺癌样本中实现上皮癌细胞、免疫细胞、基质细胞的高精度分类(F1分数>0.7)。t-SNE可视化显示模型特征空间能清晰区分细胞类型,且熵值图谱显示高不确定性区域与错误分类细胞分布一致。
2.4 临床转化潜力验证
在TCGA非空间数据集上,STimage预测的1,522个基因表达与批量RNA测序平均PCC达0.48。基于预测表达构建的多变量Cox模型可显著分层患者生存风险(p<0.05),且在一项独立化疗队列中,预测基因表达对病理完全缓解(pCR)的预测效能达AUC=0.70,接近真实RNA测序数据(AUC=0.78)。
结论与展望
STimage通过融合深度学习与统计建模,实现了从常规病理切片中稳健、可解释地提取分子信息。其核心优势在于:1)概率化输出增强临床可信度;2)跨技术平台(Visium、Xenium、PhenoCycler)与样本类型(FFPE、冰冻)的泛化能力;3)预测结果与生存分析、药物响应的临床关联性。尽管当前基因预测的绝对相关性仍待提升,但空间模式重建精度(IoU指标)已展现临床实用潜力。未来随着更多空间数据的积累,STimage有望成为连接传统病理与精准医疗的关键桥梁。