HIDE-Deconv: A hierarchical deconvolution framework for multiscale characterization of cellular remodeling

在人体内部，组织并非由单一物质构成的均匀整体，而是由许多不同种类的细胞协同工作的复杂马赛克。当科学家研究这些组织时，他们经常面临一个挑战：他们分析的样本包含多种细胞混合物，而用于读取这些样本的工具通常只能提供宏观的概览，将不同的细胞类型归为大型的通用类别。这就像是从高处俯瞰森林，只能看到一片绿色的树冠，却无法分辨出其中的单株树木或生长的具体物种。几十年来，研究人员一直依赖各种方法来估算这些细胞混合物的组成，但这些技术通常止步于这种宽泛的分辨率水平。它们可以告诉科学家某种组织含有免疫细胞，但往往无法揭示这些免疫细胞中存在哪些具体的亚群，或者它们在疾病过程中是如何变化的。这种局限性至关重要，因为生物学过程经常在这些细粒度的亚群中展开，这意味着当观察视角过于宽泛时，人体对疾病反应的重要细节可能会被掩盖。

一个研究小组开发了一种名为 HIDE-Deconv 的新方法，旨在解决这种“视力模糊”的问题。该框架不再仅仅从单一细节水平来估算组织的组成，而是将分析组织成一个层级结构，使其能够同时从多个维度观察细胞混合物。它的工作原理是通过在这些不同层级之间共同优化估算值，确保特定细胞亚群的详细视图与主要细胞类型的宏观视图保持一致。通过这种方式，该方法不仅仅是在猜测组成部分，而是构建了一个逻辑严密的图像，使微观细节能够合理地融入宏观结构之中。通过这样做，它维持了不同观察尺度之间的一致关系，防止了在针对不同细节水平进行独立分析时可能出现的矛盾。

研究人员利用旨在衡量预测准确性的标准基准实验，将该框架与现有方法进行了对比测试。结果显示，HIDE-Deconv 在所有评估的方法中取得了最高的整体性能，表明它能提供更可靠的细胞组成估算。为了观察这一框架在现实世界中的应用效果，团队将其应用于四种不同的医学状况数据：肺腺癌、脓毒症、新冠肺炎（COVID-19）以及系统性红斑狼疮。在每种情况下，该分析都揭示了特定的细胞重塑模式——即细胞类型和比例的变化——这些模式在以更宽泛的分辨率水平检查数据时是无法被观察到的。这些发现表明，在细粒度的亚群内部正在发生显著的生物学转变，而以往的方法由于观察视角过宽，完全错过了这些转变。

这项工作证明，我们分析细胞混合物的方式可以从根本上改变我们在疾病中所观察到的现象。通过超越单一层级的估算并拥抱层级结构，研究人员提供了一个能够揭示隐藏细胞活动层的工具。这种方法并不依赖复杂的数学捷径，而是基于一种关于细胞如何在不同组织规模间相互关联的结构化思维方式。该框架目前已作为开源工具向其他科学家开放使用，为揭示定义健康与疾病的体内细胞景观中那些微妙且具体的变化提供了路径。