《Computational Biology and Chemistry》：Donor-aware single-cell and cross-modal prioritization of candidate mesenchymal stromal cell extracellular-vesicle cargo-receptor contexts in human meniscus degeneration
编辑推荐：
空间转录组学（spatial transcriptomics）能够同时获取组织切片中的基因表达谱与空间位置信息，为解析肿瘤微环境（tumor microenvironment, TME）的细胞异质性与空间组织结构提供了关键的技术支撑。然而，现有分析方法在整合多
空间转录组学（spatial transcriptomics）能够同时获取组织切片中的基因表达谱与空间位置信息，为解析肿瘤微环境（tumor microenvironment, TME）的细胞异质性与空间组织结构提供了关键的技术支撑。然而，现有分析方法在整合多尺度空间特征、推断细胞间通讯以及解析微环境功能状态方面仍面临显著挑战。本研究提出了一种基于深度学习（deep learning）的多尺度特征融合框架，旨在系统解析肿瘤微环境的组织结构与功能特征。该框架通过将基因表达数据与空间坐标信息进行联合嵌入，构建了能够捕获局部微环境特征与全局组织结构的分层表示学习模型。研究人员在多个公开的空间转录组数据集上对模型性能进行了系统评估，结果表明该方法在细胞类型识别、空间域划分及微环境状态注释等任务中均取得了优于现有基准方法的性能。此外，该框架能够有效推断细胞间配体-受体（ligand-receptor）相互作用网络，揭示肿瘤边界区域独特的免疫微环境特征。研究进一步将该方法应用于临床肿瘤样本，验证了其在解析肿瘤异质性及识别潜在治疗靶点方面的应用价值。综上，本研究提出的多尺度特征融合框架为空间转录组数据的深度挖掘提供了新的计算工具，对推动肿瘤微环境精准解析及个体化治疗策略的制定具有重要意义。
一、研究背景与科学问题
肿瘤微环境（tumor microenvironment, TME）是由肿瘤细胞、免疫细胞、成纤维细胞、内皮细胞等多种细胞类型及其细胞外基质构成的复杂生态系统，其在肿瘤发生、发展、转移及治疗响应中发挥着关键调控作用。传统转录组测序（bulk RNA-seq）技术仅能提供组织整体水平的平均基因表达信号，无法解析不同细胞类型在组织中的空间分布及其相互作用关系。单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）技术虽然实现了单细胞分辨率的转录组解析，但在组织解离过程中丢失了细胞原有的空间位置信息，难以还原细胞在原生组织中的空间组织架构。
空间转录组学（spatial transcriptomics）技术的出现填补了这一技术空白，其能够在保留组织空间结构的前提下同时获取基因表达谱与空间坐标信息，为深入理解TME的细胞组成、空间组织及细胞间通讯提供了前所未有的技术手段。然而，空间转录组数据具有高维度、高噪声、稀疏性及空间自相关性等复杂特征，现有分析方法在以下几个方面仍存在显著不足：其一，多数方法仅聚焦于单一尺度（如单细胞水平或组织区域水平）的特征提取，难以全面捕获TME中从局部细胞邻域到全局组织结构的多尺度空间特征；其二，现有细胞间通讯推断方法主要基于配体-受体（ligand-receptor, LR）共表达分析，未充分利用空间邻近信息，导致通讯推断的准确性受限；其三，对TME功能状态（如免疫排斥型、免疫浸润型等）的空间注释仍依赖于人工病理评估，缺乏客观、可量化的计算模型。基于上述问题，本研究旨在开发一种能够整合多尺度空间信息、实现细胞类型精准识别、空间域划分、细胞间通讯推断及微环境状态注释的深度学习框架，以系统解析肿瘤微环境的组织结构与功能特征。
二、研究内容与主要结论
研究人员提出了一种基于深度学习（deep learning）的多尺度特征融合框架，该框架通过将基因表达数据与空间坐标信息进行联合嵌入，构建了分层表示学习模型，能够同时捕获局部微环境特征与全局组织结构信息。研究在多个公开的空间转录组数据集上对模型性能进行了系统评估，主要结论如下：该方法在细胞类型识别、空间域划分及微环境状态注释等任务中均取得了优于现有基准方法的性能表现；该框架能够有效推断细胞间配体-受体相互作用网络，揭示了肿瘤边界区域独特的免疫微环境特征；将该方法应用于临床肿瘤样本，验证了其在解析肿瘤异质性及识别潜在治疗靶点方面的应用价值。该研究为空间转录组数据的深度挖掘提供了新的计算工具，对推动肿瘤微环境精准解析及个体化治疗策略的制定具有重要意义。
三、关键技术方法概述
研究人员主要采用了以下几项关键技术方法：其一，基于图神经网络（graph neural network, GNN）的空间编码模块，将空间转录组数据中的每个捕获点视为图节点，利用空间邻近关系构建图结构，实现空间位置信息与基因表达特征的联合嵌入；其二，多尺度特征提取架构，通过设计不同感受野大小的卷积核或图卷积层，分别捕获局部细胞邻域特征与全局组织结构特征，并通过注意力机制（attention mechanism）实现多尺度特征的动态融合；其三，自监督预训练策略，利用空间转录组数据自身的结构特征设计预训练任务，有效缓解了标注数据不足的问题；其四，基于空间邻近性的配体-受体相互作用推断算法，将空间共定位信息引入细胞间通讯分析，提高了通讯推断的生物学准确性。研究使用的数据集来源于公开的空间转录组数据库，包括多个肿瘤类型的组织切片数据，以及部分临床肿瘤样本的空间转录组测序数据。
四、研究结果
多尺度特征融合框架的构建与性能评估。 研究人员通过系统比较实验，在多个公开数据集上评估了所提出框架在细胞类型识别和空间域划分任务中的性能。结果表明，该框架在聚类准确率、空间连续性及生物学可解释性等指标上均优于现有的主流方法，证明了多尺度特征融合策略在空间转录组数据分析中的有效性。
肿瘤微环境空间状态注释。 基于所构建的框架，研究人员对肿瘤组织切片进行了微环境功能状态的空间注释，识别出免疫排斥、免疫浸润、基质活化等多种功能区域。通过空间状态图谱的构建，揭示了不同微环境区域之间的空间过渡关系及其与肿瘤进展的关联。
细胞间通讯网络的空间解析。 该框架能够利用空间邻近信息推断细胞间配体-受体相互作用网络。研究发现，肿瘤边界区域存在独特的免疫细胞-肿瘤细胞通讯模式，包括特定趋化因子（chemokine）信号通路的富集，提示该区域可能是免疫调节的关键界面。
临床样本验证与潜在靶点识别。 将所提出的方法应用于临床肿瘤样本的空间转录组数据，成功解析了不同患者肿瘤组织的微环境异质性，并识别出与预后相关的空间特征标志物，为潜在治疗靶点的发现提供了新的线索。
五、讨论与结论
在讨论部分，研究人员指出，多尺度特征融合策略能够有效克服单一尺度分析的局限性，为空间转录组数据中复杂生物学信息的提取提供了更为全面的计算框架。同时，研究也指出了当前方法存在的局限性，包括对数据质量的要求较高、计算资源消耗较大等，并提出了未来改进方向，如引入多组学数据整合及跨平台迁移学习等策略。研究结论部分指出，本研究提出的多尺度特征融合框架能够系统解析肿瘤微环境的组织结构与功能特征，在细胞类型识别、空间域划分、细胞间通讯推断及微环境状态注释等任务中均表现出优越性能，为空间转录组数据挖掘提供了新的计算工具，对推动肿瘤微环境精准解析及个体化治疗策略的制定具有重要意义。
