《Neoplasia》：Spatial multi-omics and AI for decoding tumor heterogeneity: implications for target discovery and therapy resistance
编辑推荐：
摘要专业翻译
肿瘤异质性仍然是有效癌症治疗的主要瓶颈，因为靶点表达、生物标志物性能和治疗耐药的许多决定因素在肿瘤生态系统中呈空间组织分布。批量分子分析（bulk molecular profiling）将这些信号在细胞群体间平均化，而基于解离的单细胞方法则破坏
摘要专业翻译
肿瘤异质性仍然是有效癌症治疗的主要瓶颈，因为靶点表达、生物标志物性能和治疗耐药的许多决定因素在肿瘤生态系统中呈空间组织分布。批量分子分析（bulk molecular profiling）将这些信号在细胞群体间平均化，而基于解离的单细胞方法则破坏了塑造细胞状态、信号传导和药物可及性的组织架构。空间多组学（spatial multi-omics）通过在原位（in situ）定位转录组学、蛋白质组学、代谢组学和表观基因组学特征来弥补这些局限性，而人工智能（AI）则能够将这些模态与组织学、空间坐标和临床结局相整合。当前证据表明，基于图（graph-based）和邻域感知（neighborhood-aware）的模型对于空间域检测和生态位映射（niche mapping）最为有用，而多模态和基于组织学的模型在临床部署前需要更强有力的外部验证。在本综述中，研究人员考察了空间多组学和AI如何将肿瘤异质性重新定义为肿瘤学中的转化变量（translational variable）。研究人员重点关注靶点发现、患者分层和耐药生物学。研究人员还讨论了临床转化的主要障碍，包括平台偏差、FFPE（福尔马林固定石蜡包埋）兼容性、检测成本、分子覆盖度、分割与配准误差、有限的基准测试、域偏移（domain shift）以及独立多中心验证的需求。
论文解读文章
一、研究背景与问题
肿瘤异质性长期以来是癌症治疗失败的核心原因。同一患者体内，同一药物可能使一个病灶缩小，而邻近区域却几乎无响应。基因组多样性仅能解释其中一小部分，而肿瘤微环境（tumor microenvironment, TME）的空间组织则解释了其余部分。免疫排斥区、三级淋巴结构、基质屏障、血管生态位和耐药区域在组织中的分布并非随机。这些区域的位置能够改变肿瘤细胞与免疫和基质区室相互作用的方式、药物到达靶点的程度，以及局部细胞状态在治疗过程中变得脆弱或被保护的可能性。
批量分析方法在混合细胞群体和组织区域间平均化分子信号，丢失了局部环境信息。基于解离的单细胞方法虽提高了细胞分辨率，却将细胞与决定其功能的组织架构分离。两种方法均无法回答关键问题：靶点在其天然生态位中是否可干预、生物标志物在不同微环境中是否可靠、耐药表型是局限于特定区室还是广泛分布于整个肿瘤。空间多组学通过在天然组织环境中保留分子测量来解决这一缺口，使研究人员能够在同一空间框架内关联肿瘤细胞状态、微环境组织和治疗响应。然而，空间数据集分析难度大，因为它们结合了分子谱、组织坐标、组织学、分割输出和邻域关系，且来自不同分辨率、灵敏度和噪声水平的平台。因此，需要计算整合和AI方法将这些异质输入转化为可复现、可解释且可实验验证的转化特征。
二、研究内容与主要结论
本综述围绕三个转化输出展开：在空间组织环境中优先排序靶点、优化用于患者分层的生物标志物、以及识别源于肿瘤-免疫、基质、血管或代谢生态位的耐药程序。核心生物学规律是：空间位置和组织架构决定分子信号应如何被解释。同一靶点在侵袭边缘、缺氧生态位、抑制性髓系细胞附近或基质屏障后方表达，与在免疫可及肿瘤区域表达具有不同的治疗意义。空间多组学因此将肿瘤异质性重新定义为架构问题：位置决定分子程序是否可靶向、生物标志物是否具有预测性、以及治疗能否到达并重塑维持耐药的生态位。
研究得出以下关键结论。第一，疾病驱动生态位（disease-driving niches）是靶点提名的空间单位。例如，在三阴性乳腺癌（triple-negative breast cancer, TNBC）中，对92例患者的空间转录组分析识别出九种空间原型（spatial archetypes），具有不同的分子特征和治疗脆弱性：SA2肿瘤显示TACSTD2（Trop-2）和ERBB3（HER3）高表达，提示对抗Trop-2抗体药物偶联物（antibody-drug conjugate, ADC）和抗HER3治疗的敏感性；SA8肿瘤以NECTIN4高表达为特征，是enfortumab vedotin的靶点；SA3/SA4原型显示与免疫浸润相关的PD-L1富集。
第二，空间定位区分肿瘤内在靶点与生态位依赖靶点。肿瘤内在靶点定位于恶性细胞区室，适合直接肿瘤导向策略；生态位依赖靶点可能需要联合策略来修饰支持性微环境。在胶质母细胞瘤中，86个组织块的三维空间分析解析了转录梯度和区域特异性进化轨迹，亚克隆群体占据不同生态位，具有不同通路活性和预测治疗脆弱性。在转移性前列腺癌和神经母细胞瘤中，多区域分析显示可操作靶点在一个区域检测到而在其他区域缺失，提示单一活检可能错误分类靶点状态。
第三，配体-受体生态系统是靶点优先排序的空间单位。在高级别浆液性卵巢癌中，空间转录组与多重蛋白质组学结合解析了肿瘤-基质界面的配体-受体串扰异质性，识别出APOE-LRP5、LGALS9-TIM3和CD74-MIF相互作用定位于特定FAP阳性、PDPN阳性癌症相关成纤维细胞（cancer-associated fibroblast, CAF）群体。泛癌分析识别出保守的CAF空间亚型，炎症性CAF（表达CXCL12和IL-6）与肌成纤维细胞CAF（富集胶原和TGF-β信号）占据不同区域，其治疗相关性取决于定位和周围细胞类型。
第四，靶点可及性和物理屏障限制药物结合。致密细胞外基质、距功能性血管的距离、缺氧区域和成纤维细胞富集基质屏障可限制T细胞、抗体、ADC和小分子进入恶性区室。在卵巢癌和非小细胞肺癌（non-small cell lung cancer, NSCLC）中，多重空间多组学解析了从弥漫浸润（与较高PD-L1、LAG3和TIGIT表达相关）到局灶性或基质排斥生态位的免疫浸润模式，每种模式与不同生物标志物谱和检查点抑制剂响应概率相关。
第五，空间生物标志物和患者分层。在三阴性乳腺癌中，高多重数字空间分析显示上皮区室内CD40+或HLA-DR+免疫细胞与更好生存相关，而基质中高IDO1表达标志抑制性微环境并与不良结局相关。一项随机新辅助免疫治疗试验中，对660个肿瘤的成像质谱流式识别出增殖性CD8+TCF1+ T细胞、MHCII+癌细胞、B细胞相互作用和颗粒酶B+ T细胞接触是免疫检查点阻断响应的主要预测因子。在NSCLC中，234例晚期患者的空间多组学研究跨三个独立队列绘制了肿瘤免疫微环境特征，耐药肿瘤以增殖肿瘤细胞、粒细胞和血管系统为主，响应者具有更多M1/M2巨噬细胞和有序CD4 T细胞区。
第六，治疗耐药是空间组织化现象。在HER2阳性胃癌中，配对治疗前和获得性耐药样本的空间分析识别出同一病灶内的多种耐药程序：一些耐药区域获得上皮-间质转化（epithelial-mesenchymal transition, EMT）状态，另一些激活内质网相关降解通路，还有一些显示局部HLA缺失。在胰腺导管腺癌中，单细胞空间转录组显示治疗相关多细胞邻域重塑，SCOTIA分析识别出治疗后CAF-恶性细胞相互作用增加和IL-6家族信号富集，CLCF1-CNTFR相互作用经CRISPR工程化癌症-成纤维细胞肿瘤类器官功能验证。
三、主要技术方法
研究人员系统回顾了空间多组学平台和AI方法。空间平台包括：基于测序的转录组学（Visium、Slide-seqV2、Stereo-seq、Visium HD）、基于成像的转录组学（MERFISH/MERSCOPE、Xenium、CosMx）、空间蛋白质组学（CODEX、IMC、MIBI-TOF）、质谱成像（MALDI-MSI、DESI-MSI）和空间共检测（Spatial-CITE-seq、空间ATAC-RNA-seq、空间CUT&Tag-RNAseq）。AI方法包括：基于图的空间学习（SpaGCN、STAGATE、GraphST）、细胞邻域和通讯建模（CellChat、COMMOT、MISTy、Squidpy）、细胞类型映射和去卷积（cell2location、RCTD、Tangram）、多视图和多模态融合（SpatialGlue、MultiGATE）、分割配准对齐模型（Cellpose、StarDist、Mesmer、STalign、PASTE）、空间轨迹推断（stLearn、spVelo）、基础模型和迁移学习（scGPT、Geneformer、Nicheformer、PLIP、CONCH、UNI）、基于组织学的深度学习（ST-Net、Hist2ST、HisToGene、MOSBY、MISO、HEX）以及响应预测模型（SpaRx、scGen、CPA、GEARS）。样本队列来源包括92例TNBC、234例NSCLC、660例TNBC免疫治疗试验、553例NSCLC图像分析、116例黑色素瘤前瞻性队列及多项临床试验样本。
四、研究结果
空间多组学作为肿瘤异质性的证据。 不同空间平台解析肿瘤异质性的不同方面。基于测序的空间转录组适合广泛靶点筛选和区域映射；基于成像的转录组适合细胞分辨率界面和邻近分析；空间蛋白质组支持蛋白质水平靶点验证和治疗状态评估；质谱成像支持空间药理学；空间共检测在同一组织环境中关联调控状态、转录输出和表型。基于测序方法的主要限制是混合捕获，去卷积工具（如cell2location）可估计各spot的细胞类型贡献，但不能将混合spot转化为真正单细胞测量。
空间肿瘤异质性与靶点发现。 空间分析表明，候选靶点可能在侵袭边缘、缺氧生态位、抑制性髓系细胞附近或基质屏障后方富集。在结直肠癌中，CODEX成像识别出侵袭前沿的协调细胞邻域，包括与患者生存独立相关的粒细胞富集和T细胞富集模块。Visium HD在单细胞尺度解析了占据不同空间生态位的转录组学上不同的巨噬细胞亚群。在乳腺癌中，空间转录组显示遗传相同的亚克隆可基于导管结构内的位置具有不同预测药物敏感性。
空间生物标志物、患者分层与治疗耐药。 空间生物标志物携带的信息不仅在于表达什么，还在于在哪里表达。在NSCLC中，免疫排斥肿瘤在免疫检查点阻断后的无进展生存较差。在乳腺癌中，静息性瘤周基质肿瘤优于混合成纤维细胞邻域肿瘤。在三阴性乳腺癌中，单细胞空间分析识别出十个复发性细胞邻域，其相对丰度独立于常规临床变量将患者分为不同生存组。空间分析还区分了靶点缺失与靶点不可及、生物学耐药与局部药物暴露不足。
AI与多模态整合。 空间域检测识别具有连贯分子、细胞和组织学结构的组织区域，图模型因保留组织架构而常用。邻域建模量化细胞间邻近性、共定位和局部邻域结构。多模态对齐将空间转录组、蛋白质组、组织学和临床信息整合到共享嵌入空间。组织学到分子预测使用常规病理图像推断分子特征，MOSBY和MISO可预测空间基因表达，HEX可推断虚拟空间蛋白质组。治疗响应预测将空间特征与临床结局关联，但其价值取决于是否在常规病理、免疫组化、PD-L1评分和肿瘤突变负荷之上增加信息。
五、讨论与结论
技术障碍、验证与临床转化。 大多数临床决策依赖小型FFPE活检，而最强空间生物学证据多基于研究级新鲜冷冻组织。FFPE兼容空间检测对固定历史、储存时间和组织类型敏感，产生较短片段，限制跨研究可比性。分割选择直接传播到细胞类型分配、邻域图结构和下游推断。高分辨率模态以覆盖度为代价换取深度，限制人群水平研究的可行性。成本、通量和分子覆盖度也限制临床扩展性。域偏移导致模型在外部队列性能下降。因此，空间生物标志物需在肿瘤特异性基准上评估，包括多平台肿瘤切片、匹配单细胞参考、病理注释、分割掩膜、正交验证、治疗响应标签和预定义跨站点训练-测试分割。
结论与展望。 肿瘤异质性不能再仅理解为恶性克隆或分子程序的变异。治疗响应还受恶性、免疫、基质、血管和代谢区室在肿瘤微环境中组织方式的影响。空间多组学使这种组织可测量：靶点相关性取决于区室定位和药物可及性；生物标志物价值常取决于肿瘤-免疫或肿瘤-基质架构；耐药可能通过局部组织状态而非单一病灶-wide机制出现。空间分析将肿瘤生态系统重新定义为治疗响应的主动决定因素。未来研究必须弥合空间肿瘤学与临床应用之间的差距，空间生物标志物需与免疫组化、PD-L1评分、肿瘤突变负荷和常规病理标准对照评估。免疫治疗生物标志物优化、耐药机制研究、合理联合治疗设计和基于组织架构的转化试验预计提供最直接潜力。如果经过前瞻性验证，空间多组学和AI可使肿瘤架构成为肿瘤药物发现和患者分层中的可操作变量。
