基于知识引导的空间功能程序定位框架SVP及其在空间转录组中的耦合分析

《Advanced Science》:SVP Maps Spatially Variable Functional Programs and Their Coupling in Spatial Transcriptomics

【字体: 大 中 小 】 时间:2026年11月18日 来源:Advanced Science 14.1

编辑推荐:

  空间转录组学(spatial transcriptomics)已使组织构架能够在分子分辨率上被测量,然而大多数计算方法仍仅间接地鉴定空间可变基因(spatially variable genes)并推断生物学意义。研究人员提出了SVP,一个直接从空间转录组数据

空间转录组学(spatial transcriptomics)已使组织构架能够在分子分辨率上被测量,然而大多数计算方法仍仅间接地鉴定空间可变基因(spatially variable genes)并推断生物学意义。研究人员提出了SVP,一个直接从空间转录组数据中定位空间可变细胞状态(cell states)、通路(pathways)和调控程序(regulatory programs)的框架。SVP将位置层面的功能活性推断(functional activity inference)与全局和局部空间自相关(spatial autocorrelation)相结合,并将这些分析扩展至异质性特征间的双变量空间耦合(bivariate spatial coupling)。在模拟数据和真实数据集中,SVP在单个捕获位置上恢复了细胞状态相关的活性模式,以校准的统计量(calibrated statistics)检测到空间可变特征,并高效扩展至大型数据集。在胰腺导管腺癌(pancreatic ductal adenocarcinoma, PDAC)中,SVP鉴定出一个空间共组织的缺氧与细胞外基质重塑(extracellular-matrix-remodeling)生态位(niche),该生态位与低免疫活性区域共定位。SVP进一步捕获了发育中人心脏的功能成熟(functional maturation)以及阿尔茨海默病(Alzheimer's disease)模型中的斑块相关胶质程序(plaque-associated glial programs)。SVP使得功能空间组织(functional spatial organization)的直接分析成为可能,超越了以基因为中心的组织构架描述。
**研究背景与问题**

空间转录组学通过将基因表达与完整组织中的物理位置相关联,革新了对组织构架的研究,使得对发育、癌症和生理过程的分析日益精细。然而,大多数计算流程仍以空间可变基因(spatially variable genes, SVGs)为核心,将基因层面的信号作为代理指标,必须经过多个下游分析步骤才能推断细胞状态、通路或调控机制。这种以基因为中心的逻辑造成了一个核心的分析空白:许多生物学问题本质上是功能性的而非单基因层面的——特定细胞状态在何处出现、通路在何处受到空间限制、哪些细胞程序在组织生态位(niche)内彼此空间耦合。现有方法能够鉴定空间可变基因或空间域(domains),但不能直接且系统地检测空间可变功能程序(spatially variable functional programs),也无法量化细胞类型、通路和转录调控因子等异质性特征之间的空间耦合。当生物学解释依赖于高阶组织而非单一标记物表达时,这一局限性尤为突出。为此,研究人员提出了SVP(Spatially Variable Profiler),一个旨在填补这一空白的新型计算框架。

**研究内容与结论**

研究人员开展了SVP框架的开发与多场景验证研究。SVP首先从先验生物学知识推断位置层面的功能活性,然后利用全局和局部空间统计检验这些活性的空间组织,最后通过双变量自相关分析量化其空间耦合。该统一框架将空间分析从基因层面扩展至细胞状态、通路、转录因子程序及其他评分特征,同时在大型数据集上保持计算高效性。研究结论表明,SVP提供了准确的功能定位、校准的空间推断以及跨肿瘤、发育和神经退行性背景的生物学信息发现。

**关键技术方法**

SVP的核心方法包括:多重对应分析(Multiple Correspondence Analysis, MCA)将基因和捕获位置共嵌入共享低维空间;基于MCA坐标构建加权细胞-基因图(weighted cell-gene graph);利用随机游走重启算法(Random Walk with Restart, RWR)在加权图上推断功能活性;通过超几何检验(hypergeometric test)对表达矩阵中排名靠前的基因进行富集分析以精炼功能评分;采用全局Moran's I、Geary's C和Getis-Ord G统计量及其局部对应版本(LISA)检测空间可变特征和空间聚类区域;利用Lee's L及其局部版本(LocalLee)进行双变量空间耦合分析。研究使用的数据来源包括:人PDAC数据集(GSE111672)、人心脏发育数据集、AD模型小鼠海马Slide-seqV2数据集、小鼠海马Slide-Tags数据集以及DropViz单细胞RNA-seq海马数据集。

**研究结果**

2.1 SVP提供空间可变功能程序的统一框架:SVP通过MCA共嵌入构建加权细胞-基因图,整合细胞类型标记物、通路和转录因子靶基因集等知识库,经图传播推断局部功能活性,并结合表达矩阵的富集信号精炼评分。随后对推断的活性施加统一的空间统计层:全局和局部自相关分析鉴定空间可变特征并描绘功能组织区域,双变量空间自相关量化两个异质性特征是否占据相同的空间邻域。与传统流程的关键区别在于,SVP直接检验细胞状态和生物学程序本身是否具有空间模式并空间耦合,而非先检测空间可变基因再进行解释。

2.2 SVP恢复细胞状态相关活性模式并可扩展至大型空间数据集:在基于小鼠视觉皮层STARMap数据的模拟中,SVP产生的细胞类型活性模式与每个空间位置的已知细胞组成密切匹配,并在下游空间分析中保留了局部组织结构。相比之下,CelliD在某些区域无法做出预测,gsdensity和AUCell提供均一的预测而无法区分主导细胞类型,VAM的预测近乎随机且不准确,ssGSEA、GSVA、UCell和VISION也产生均一预测。在基于seqFISH+的基因覆盖度递减模拟中,SVP的预测保持高度准确且性能损失极小,展现出强鲁棒性。与SpatialDWLS、RCTD、CARD和Cell2location等去卷积工具相比,SVP的预测性能相当甚至在某些情况下更优,且计算效率更高。

2.3 SVP以校准的统计量和高效率检测空间可变特征:在涵盖不同区域大小、效应强度、组织结构和测序平台的模拟框架中,SVP检测空间可变特征的准确性与领先空间方法相当,在挑战性设置中表现出更好的校准。在包含53,208个spot和23,264个基因的Slide-seqV2小鼠海马数据集中,SVP在约70秒内鉴定出空间可变基因,仅使用0.1 GB内存。部分软件如Seurat、SpatialDE、SPARK和MERINGUE因极高内存消耗而无法在合理时间内完成分析。

2.4 SVP揭示PDAC免疫排斥的空间程序:在PDAC中,SVP恢复的活性模式与组织学密切一致,区分了肿瘤、导管、腺泡和基质状态。双变量空间分析揭示了肿瘤细胞、缺氧导管状态、成纤维细胞和内皮细胞之间的强空间耦合,而免疫细胞活性主要在肿瘤区域外富集。肿瘤区域富集了细胞外基质重塑、上皮-间质转化、侵袭和缺氧相关通路,以及与此一致的转录因子活性。成纤维细胞和肿瘤相关的细胞外基质重塑与缺氧和内皮状态以及ECM相关靶基因如LAMC2和ITGA3共定位,描绘出一个兼有侵袭和免疫访问受限的生态位。研究人员强调这些关系是捕获位置分辨率上的统计共定位,鉴定的是候选生态位,不建立直接细胞互作或免疫排斥的因果贡献。

2.5 SVP捕获人心脏发育中的协调功能成熟:在跨发育阶段的人心脏数据中,SVP恢复了主要心脏细胞状态的阶段分辨空间组织,包括心房、心室、心外膜来源和成纤维样群体,与原位测序数据密切一致。全局空间分析显示随着发育进展聚类增强,尤其对于平滑肌、心房、心室和心外膜来源状态。全局双变量分析进一步揭示了心肌、心外膜和血管区室的协调空间成熟。通路水平分析显示共聚集的心房和心外膜群体与心房特化和窦房结相关程序相连,而心室和MYOZ2富集的心肌细胞状态与呼吸电子传递、ATP合成和横纹肌收缩程序耦合。

2.6 SVP将斑块相关胶质生态位与阿尔茨海默病病理程序联系起来:在AD模型小鼠海马切片中,SVP分配的主导细胞状态身份与预期海马构架一致,并定位了斑块富集区域及与斑块共聚集的细胞状态。斑块邻近的小胶质细胞显示淀粉样清除和炎症程序以及Apoe、Trem2、Tyrobp和组织蛋白酶相关基因的诱导,而斑块相关星形胶质细胞表现出反应性特征包括Gfap和Aqp4的上调以及区域特异性功能变化。

**讨论与结论**

空间转录组学迅速提高了组织构架可被测量的分辨率,但分析解释往往滞后一步。研究人员通常先检测空间可变基因,然后才尝试重建组织结构的功能逻辑。SVP通过使功能程序本身成为空间分析的主要对象来解决这一问题,这与该领域日益关注多细胞邻域、空间生态型和疾病相关生态位而非孤立表达模式的趋势一致。SVP的贡献在于框架而非统计方法本身——全局Moran's I、Geary's C和Getis-Ord G统计量及其局部对应版本和Lee的双变量测度均为已有方法的标准形式,未引入新的估计量。SVP改变的是推断对象和可检验的范围:这些统计量应用于知识引导的功能活性而非基因计数,空间分析的单位变为细胞状态、通路和调控程序。高Lee's L值是一个假设而非结果,研究人员建议在解释前进行以下检查:控制所有检验对的错误发现率、强制执行相对于置换零分布的效果量阈值、确认耦合在组织学或转录组定义的区室内持续存在而非仅在区室边界间出现、以及在重复切片或供体间的可重复性。SVP存在两个局限:其一,与其他知识引导方法一样,其性能依赖于可用特征集的质量和完整性,因此补充而非替代从头发现;其二,基准测试涵盖了基因集评分、去卷积和空间可变基因检测,但未涵盖推断有向细胞通讯的方法。SVP已经为发育和疾病中组织构架的更机制性分析提供了明确的一步。

订阅生物通快讯

订阅快讯:

最新文章

限时促销

会展信息

关注订阅号/掌握最新资讯

今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

版权所有 生物通

Copyright© eBiotrade.com, All Rights Reserved

联系信箱:

粤ICP备09063491号