Classification of brain tumors using pseudobulk spatial transcriptomics
本研究表明，从单切片空间转录组数据中生成伪体量（pseudobulk）表达谱，能够使现有的基于体量数据训练的分类器有效地应用于中枢神经系统肿瘤的诊断，为活检材料有限或存在弥漫性浸润的情况提供了一种可行的解决方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
长期以来，诊断脑肿瘤一直是通过显微镜观察细胞形态的问题，但现代医学增加了一个强大的新维度：读取这些细胞内部的遗传指令。这种被称为转录组学的分子方法，通过分析哪些基因处于活跃状态，使医生能够准确识别他们面对的是哪种类型的肿瘤。然而，这种方法通常需要大量的组织。当患者进行的是小规模活检，或者肿瘤分布过于分散、与健康脑组织混合在一起时，往往没有足够的材料来进行这些测试。这让医生面临一个艰难的选择：是将珍贵的样本消耗在可能失败的测试上，还是依赖于精度可能较低的旧方法。
科学家们最近开发了一种在保持组织原始物理布局的同时绘制基因活性图的方法，这种技术被称为空间转录组学。它创建了一张详细的地图，展示了哪些基因在组织切片的哪些特定位置处于活跃状态。挑战在于如何将这种新的、高度详细的数据与医生已经信任的现有计算机程序结合起来。这些程序是为分析大型、混合的组织样本而设计的，而不是为了处理空间图中微小且分散的数据点。新加坡凯儿医院（KK Women's and Children's Hospital）的一个研究团队致力于解决这个难题。他们探究是否可以将单个组织切片中的微小数据点组合成一个大型的、可读的轮廓，从而有效地让现有的诊断工具能够理解，这实际上是让他们能够从以前太小或太杂乱而无法测试的样本中获得分子诊断。
研究人员从公共数据库中提取了一组脑肿瘤样本，并加入了来自他们自己医院的五个新病例来测试这个想法。他们使用一种计算方法，收集组织切片上每个位置的基因活性，并将它们汇总成一个单一的轮廓，这个过程他们称为创建“伪体量”（pseudobulk）样本。这使得他们能够将数据输入到三个旨在识别脑肿瘤的计算机程序中。结果表明，这种方法可行，但并非对每种工具或每种肿瘤都同样有效。其中一个匹配基因活性模式的程序，在约82%的病例中正确识别了肿瘤类型。另一个程序在约60%的情况下正确。而第三个更复杂的程序仅在约46%的病例中取得成功。
该方法的成功在很大程度上取决于正在测试的肿瘤类型。计算机程序在识别髓母细胞瘤和室管膜瘤方面表现得异常出色，这两种肿瘤具有非常独特的遗传特征。在这些病例中，新方法完美匹配了已知诊断。然而，这些工具在处理高级别胶质瘤时则显得较为吃力，这类肿瘤具有侵略性，且经常与健康组织混合在一起。研究人员发现，当初始测试不确定时，可以通过利用空间图来隔离看起来像是肿瘤细胞的部分，并仅对这些区域进行重新分析，从而提高结果。他们将这一步称为“肿瘤簇富集”（tumor-cluster enrichment），它将困难病例的准确率从60%提升到了76%。它的原理是通过移除那些稀释了肿瘤信号的健康细胞所产生的“噪声”。
研究还观察了组织保存方式如何影响结果。大多数医院样本储存在一种名为福尔马林的化学物质中并嵌入在蜡中，这一过程可能会破坏遗传物质。研究人员发现，表现最好的计算机程序在这些较旧的、经过保存处理的样本上仍然表现得相当不错，正确诊断了约77%的病例。然而，第三个专为新鲜组织设计的程序在这些保存过的样本上几乎完全失效。这表明，虽然该方法足够稳健，可以用于常规医院用途，但软件的选择在很大程度上取决于样本是如何储存的。
为了证明该方法在现实环境中的可行性，团队将其应用于他们医院的五名实际患者，其中包括一个肿瘤样本小于一毫米的病例。该系统成功识别了其中两种罕见的儿童肿瘤，证实了该技术并不需要大量的组织即可产生结果。虽然系统在处理一些由于遗传构成特殊或未在训练数据中体现的复杂病例时确实遇到了困难，但总体研究结果展示了一条清晰的前进道路。通过将空间映射与现有诊断工具相结合，医生可能很快就能从最小且最难处理的活检样本中获得精确的分子诊断，确保即使是最有限的组织也能提供指导治疗所需的答案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。