综述:从空间图谱到治疗决策:整合可解释人工智能与多组学以指导精准免疫治疗的路线图

《Biotechnology Notes》:From spatial maps to treatment decisions: a roadmap for integrating explainable AI with multi-omics to guide precision immunotherapy

【字体: 大 中 小 】 时间:2026年08月30日 来源:Biotechnology Notes CS5.8

编辑推荐:

  免疫治疗已从根本上改变了肿瘤学,然而持久的临床响应仍局限于少数患者,这一治疗瓶颈源于肿瘤微环境的空间复杂性。单细胞和空间多组学如今以前所未有的分辨率解析此结构,同时深度学习从组织病理学图像中提取预后信号。然而这些进展并未缩小转化差距,很大程度上因为黑箱模型、碎

  
免疫治疗已从根本上改变了肿瘤学,然而持久的临床响应仍局限于少数患者,这一治疗瓶颈源于肿瘤微环境的空间复杂性。单细胞和空间多组学如今以前所未有的分辨率解析此结构,同时深度学习从组织病理学图像中提取预后信号。然而这些进展并未缩小转化差距,很大程度上因为黑箱模型、碎片化的验证以及缺乏前瞻性干预证据阻碍了临床采用。本文主张,空间多组学、可解释人工智能(XAI)与机制引导的临床试验设计的战略融合,将提供从组织架构到治疗决策的明确转化桥梁。研究人员概述了一个路线图,其中源自基于概念的XAI和反事实推理的可解释空间生物标志物被锁定为检测方法,在生物标志物分层试验中进行前瞻性验证,并通过联邦学习在真实世界条件下评估。研究人员强调了社区范围基准测试、强制共享代码和空间数据以及刻意报告阴性结果的必要性,以规范该领域。为实现这一整合,研究人员引入了空间免疫参与指数(SIEI),这是一种距离加权度量,使用多重免疫荧光数据或源自常规H&E图像的概念图量化CD8+ T细胞与肿瘤细胞的接近程度。这一可解释、扫描仪无关的分数提供了免疫-肿瘤空间相互作用的标准化测量,可前瞻性验证并锁定为临床决策的受监管检测方法。该框架整合了系统生物学、数字医学和实施科学,将空间组织结构转化为常规决策支持工具,直接指导治疗选择、试验设计和监管政策。
  1. 1.
    免疫治疗中的空间瓶颈
    免疫检查点阻断已带来持久缓解,但响应率在不同主要适应症中停滞在20–40%。PD-L1免疫组化、肿瘤突变负荷(TMB)和基因表达特征未能捕捉免疫结果的主要驱动因素:肿瘤、基质和免疫细胞的空间组织。过去三年中,空间转录组学(MERFISH、Xenium、Visium HD)、成像质谱 cytometry(IMC)和空间代谢组学各自揭示,免疫排斥、三级淋巴结构(TLS)和代谢梯度不仅是相关性,它们是治疗敏感性的机制性决定因素。PD-L1免疫组化虽然临床授权,但存在检测间变异性、动态表达变异和在许多肿瘤类型中预测价值差的问题。TMB受技术标准、吸烟状况和基因组不稳定性模式影响,在许多情况下无法区分响应者和非响应者。基因表达谱虽然对整体免疫活性有指导意义,但平均了整个块组织的信号,无法区分炎性肿瘤核心和免疫丰富但功能上被排斥的基质。关键的是,这些已知指标均未考虑调节免疫细胞是否与恶性细胞物理接触的空间联系,这一特征现在被认为是治疗成功的核心。同时,应用于常规苏木精-伊红(H&E)全切片图像的深度学习可以推断分子特征并预测结果,但临床医生和监管者对不透明的预测持犹豫态度。基本任务是将高重空间生物学与可解释机器学习融合,并将所得工具嵌入干预性临床试验中。本视角概述了如何实现这种综合,描述了从空间图谱到医疗实践所需的方法学、监管和协作步骤。
  2. 2.
    空间多组学作为免疫表型的机制基础
    空间分辨多组学技术使得在完整组织架构内共配准转录组、蛋白质组、代谢组以及最近的表观基因组层,显示了调节免疫效应的多细胞群落。值得注意的是,Lee及其同事引入了全基因组空间共分析方法,用于同一组织切片的DNA甲基化和转录组在近单细胞分辨率下的分析,将空间组学的范围扩展到包括DNA胞嘧啶甲基化,以更全面地理解发育和疾病中的组织生物学。缺氧肿瘤核心重新连接局部谷氨酰胺和葡萄糖通量,产生选择性损害细胞毒性T细胞活性并促进调节性T细胞亚群的代谢环境。巨噬细胞富集的排斥区常与各向异性胶原束一致,阻止淋巴细胞穿透。
2.1. 技术前景和平台选择
空间分析技术的选择决定了可解析的生物学特征,需要在空间分辨率和分子覆盖之间权衡。成像质谱 cytometry(IMC)和多重离子束成像(MIBI)提供亚细胞蛋白质分辨率,适用于免疫表型,而空间转录组学平台,从单分子MERFISH和Xenium到全转录组Visium,平衡了基因检测限和空间精度。补充这些,基质辅助激光解吸/电离质谱成像(MALDI MSI)在5–50 μm分辨率下实现空间代谢组学。最近的方法学进展扩展了MALDI MSI代谢物覆盖,允许直接可视化功能代谢梯度,例如缺氧核心中的乳酸积累和葡萄糖耗竭,限制T细胞浸润。因此,空间代谢组学可以通过肿瘤周围乳酸区分头颈部鳞状细胞癌患者以预测免疫治疗耐药,并揭示胰腺癌基质中的代谢异质性。尽管这些平台的多模态整合有望全面表征分子,但引入了巨大的分析复杂性。此外,这种代谢物驱动的免疫调节模型与新兴的肠道微生物组研究关于微生物调节宿主炎症的概念一致。这种概念一致性验证了应用深度学习建模高维代谢-免疫网络,并强调了研究微生物衍生代谢物如何塑造肿瘤微环境内空间免疫反应的必要性。
2.2. 空间基序、可重复性和标准化路径
张量分解和跨不同队列的空间方差建模等综合计算方法将这些复杂连接简化为重复的“空间基序”。具有PD-1+TCF1+干细胞样CD8+ T细胞聚集在MHC-II+抗原呈递细胞生态位内的肿瘤-免疫界面设计与多种恶性肿瘤的较长无进展生存期和总生存期相关。该领域面临可重复性危机:大多数空间特征缺乏外部数据集验证,且倾向于有利发现的发表偏倚掩盖了候选生物标志物的稳健性。
多重相互作用原因导致空间组学可重复性问题。尽管使用相似的组织切片,平台特定的空间分辨率差异(MERFISH为0.2 μm,Visium为200 μm)、检测效率和转录本/蛋白质捕获率导致非重叠的特征集。样本处理变异包括固定过程(福尔马林与新鲜冷冻)、抗原修复方法和组织切片厚度,影响目标保存和信噪比。用于图像配准、细胞分割和斑点去卷积的预处理算法不同,而下游统计方法,如最近邻分析和基于图及张量分解,从共享的原始数据产生不同的基序定义。由于缺少社区采用的空间特征定义、标准化技术和批次效应校正标准,来自一个队列的地理特征可能反映另一个队列中的不同生物学现象。
研究人员建议社区广泛转向使用标准化、公开可访问的地理图谱(如人类肿瘤图谱网络)的预注册分析方法,以促进临床转化。应要求发表原始数据、处理流程和分析代码。重要的是,前瞻性临床评估应仅包括跨机构、平台和人口统计阶层通过对抗性外部验证的空间变量。通过这种精度,空间生物标志物将代表生物学机制而非队列特异性伪影。
  1. 3.
    可解释人工智能作为从像素级特征到生物学机制的转化桥梁
    深度学习可以直接从常规H&E全切片图像推断高阶空间结构。这种能力绕过了与多重空间分析相关的成本、技术复杂性和组织消耗,使其在临床部署中潜在更具可扩展性。然而,标准归因方法如基于梯度的注意力图概述了模型显著性,但没有揭示预测背后的生物学因素,这限制了它们的临床价值。这种可解释性差距降低了临床信任、监管可接受性和生物标志物开发的机制见解。
    深度学习模型如Paige Prostate、Galen Second Read和ArteraAI Prostate用于前列腺癌诊断和预后具有监管批准,尽管它们主要使用后验注意力热图或显著性图进行解释。这些方法可以定位模型重点,但不提供预测的生物基础,且容易受伪影影响。
3.1. 组织病理学中XAI方法的比较评估
几种可解释性方法已开发用于组织病理学图像分析,每种都有不同的权衡。概念瓶颈模型(CBMs)采用人类可解释的病理解念,如“肿瘤-基质界面的淋巴细胞聚集”或“三级淋巴结构的存在”,作为下游预测的中间表示,从而使模型推理与病理学家验证的生物学特征一致。最近的经验研究表明CBMs可用于病理学:一个用于胃癌的概念瓶颈框架从全切片图像预测生存,病理概念学习对肾癌进行分类。通过将模型思维与病理学家验证的生物学特征连接,这些技术减少了限制黑箱系统采用的解释性差距,并增加临床医生信任。
下一代可解释人工智能(XAI)框架将模型推理与病理学家验证的生物学特征匹配以克服这些限制。概念瓶颈模型(CBMs)首先估计高级、语义上有意义的概念(例如肿瘤-基质界面的淋巴细胞聚集),然后将这些中间表示用于下游诊断或预后输出。这种方法生成领域专家可审查的可解释空间评分。除结构透明度外,反事实解释方法产生最小的、生理学限制的输入区域变化,改变模型分类。反事实生成器可以模拟免疫排斥肿瘤区室内周肿瘤细胞纤维屏障的分解,将其重新分类为免疫炎性。反事实揭示了形态学免疫逃避因素,并为靶向治疗如抗纤维化或基质调节药物提供了可检验的假设。可解释空间生物标志物必须包含在标准化、扫描仪无关的计算流程中,并在独立的多中心队列中广泛测试以用于治疗的转化。基准框架应优先考虑临床可操作性而非纯判别能力,因此评估应关注概率校准、系统失败模式记录和净重分类改善(NRI),而不是AUROC。空间AI衍生的生物标志物只有在严格验证后才能指导治疗决策。
3.2. 空间免疫参与指数(SIEI):一个基于概念的度量
免疫肿瘤学中传统诊断特征,如免疫细胞密度、PD-L1表达水平或基因表达特征,将细胞视为独立实体,忽略其空间关系。然而,紧邻肿瘤细胞的CD8+ T细胞与隔离在肿瘤周围基质的细胞施加根本不同的生物学效应,即使两者密度相同。因此,空间免疫-肿瘤参与最好通过量化其物理接近性和相互作用潜力来捕获,而不是计数细胞。一系列空间度量已开发来捕获这些关系,包括平均最近邻距离(mNND),它量化从一种细胞类型到另一种细胞类型的平均距离,以及相关的基于接近性的测量,如癌细胞接近评分(CCPS)。虽然mNND提供了最接近的细胞的接近性的有价值测量,但它仅考虑单个最近邻,不考虑肿瘤附近免疫细胞的更广泛密度。
空间免疫参与指数(SIEI)通过计算每个肿瘤细胞周围CD8+ T细胞浸润的距离加权度量来实现这一原则,直接反映了生产性免疫-肿瘤接触的可能性。SIEI建立在距离加权相互作用度量类别上,该类别已广泛用于空间生态学,最近适应于空间组学,提供了一种特定的数学公式,结合了定义半径内的所有邻近免疫细胞,由指数衰减函数加权。这种方法已被证明在预测免疫治疗响应方面优于常规细胞密度度量,因为空间关系捕获了密度单独掩盖的功能性免疫参与。为了操作化量化空间免疫-肿瘤相互作用,研究人员引入了空间免疫参与指数(SIEI),这是一个生物学基础的距离加权度量,可以从多重免疫荧光数据或源自常规染色的H&E全切片图像的概念图计算。SIEI等于1除以NT乘以从i=1到NT的总和,括号内为1除以|Ni|乘以对j属于Ni的总和,乘以指示函数(cj=CD8+ T细胞)乘以e的负γd(i,j)次方。其中变量定义为:NT为感兴趣区域内肿瘤细胞总数;Ni为肿瘤细胞i预定义半径R内的邻近免疫细胞集合;d(i,j)为细胞i和j之间的距离;γ为衰减参数;指示函数当细胞j为CD8+ T细胞时为1,否则为0。
  1. 4.
    空间生物标志物锁定为检测方法
    (注:原文此部分内容在提供的文档中未完整包含,但根据摘要,该节强调需要可锁定、检测级别的分析方法,以便在前瞻性干预研究中整合空间生物标志物。)
  2. 5.
    真实世界证据和联邦学习
    (注:原文此部分内容在提供的文档中未完整包含,但根据摘要,该节探讨真实世界证据和联邦学习如何相互支持,以在异质人群中验证和实施生物标志物。)
  3. 6.
    转化管道和临床影响路线图
    (注:原文此部分内容在提供的文档中未完整包含,但根据摘要,该节综合了完成转化管道所需的跨学科步骤,并提供了临床影响路线图。)
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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