SpaCoDA: fast compositional deconvolution maps recurrent cellular niches across hundreds of spatial transcriptomics sections
SpaCoDA 是一个快速且内存高效的计算框架，能够准确地对基于点（spot-based）的空间转录组数据进行解卷积，以绘制大规模队列中的循环细胞生态位图谱，从而实现乳腺癌和胶质母细胞瘤中具有临床相关性的组织微环境的发现。
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
组织不仅仅是细胞的袋子；它们是组织有序的社区，不同类型的细胞在其中共同生活，就像繁华城市中不同的行政区一样。在健康的器官中，这些社区运作顺畅，但在癌症等疾病中，布局会变得混乱，侵略性细胞挤占了正常细胞的空间，或者免疫细胞无法到达正确的位置。为了理解这些组织是如何运作以及为何失效，科学家们使用了一种被称为空间转录组学（spatial transcriptomics）的技术。这种方法就像一张高分辨率地图，在追踪细胞精确位置的同时，读取它们的基因活动。然而，一个主要的障碍在于：许多最强大的绘图工具捕捉到的只是包含多种不同细胞混合在一起的小块组织。为了看到真实的景象，研究人员必须通过数学手段将这种混合物进行分离，以确定究竟存在哪些细胞类型以及它们的数量，这一过程被称为解卷积（deconvolution）。直到现在，针对大规模患者群体进行此类操作仍是一项缓慢且耗费内存的任务，通常需要数天的计算机运行时间，这限制了同时能研究的人数。
一支研究团队现在推出了一种名为 SpaCoDA 的新工具，解决了这一瓶颈问题，使科学家能够以以往所需时间的极小部分，绘制数百个组织切片的细胞邻里图谱。研究人员构建了一个系统，该系统首先通过将遗传数据与已知细胞类型的参考库进行对比，来估算每个微小组织块中的细胞构成。该方法没有依赖于缓慢且复杂的统计模型，而是使用了一种更快速的数学方法，该方法可以针对参考库与实际研究组织之间的差异进行调整。随后，它根据遗传组成和物理位置将这些组织块归类为局部邻里。最后，它将来自所有不同患者的这些局部邻里合并为一个统一的“元邻里”（meta-neighborhoods）集合。这使得研究人员能够观察到哪些特定的细胞环境在许多人身上重复出现，以及这些环境如何与疾病结果相关联。
研究人员在应用于真实医学数据之前，对这种新方法进行了严格测试。他们创建了数千个已知的真实细胞组成的模拟组织图谱，并将他们的工具与另外八种成熟的方法进行对比。在这些模拟实验中，这款新工具的表现与现有的最佳方法同样出色，在每种情景下仅次于精度最高的竞争对手，但其速度快了数百倍。在一次对比中，它完成了一项原本需要下一个最佳方法耗时超过 40 分钟的任务，仅用了大约 11 秒。当使用能够观察到单个细胞的成像设备提供的真实组织数据进行测试时，该工具也表现出了极高的准确性，即使参考数据来自不同的技术，也能正确识别细胞类型。这种速度和准确性意味着研究人员现在可以分析大规模的组织样本集，而这在以前是不切实际的。
利用这种新能力，该团队将 SpaCoDA 应用于大规模的乳腺癌和脑肿瘤样本集，分析了来自 254 个乳腺癌切片和 181 个胶质母细胞瘤切片的 100 多万个独特的组织点。从这庞大的数据中，该工具识别出了乳腺癌中的 29 个循环细胞邻里和胶质母细胞瘤中的 31 个循环细胞邻里。这些邻里并非随机产生；它们代表了不同的生物环境，例如富含免疫细胞的区域、由侵略性肿瘤细胞主导的区域，以及血管和支持组织相互作用的区域。研究人员随后观察了这些特定邻里的存在是否能预测患者的预后。在乳腺癌中，他们发现一个充满 B 细胞和浆细胞的邻里与较长的生存时间和较好的治疗反应相关。相反，在胶质母细胞瘤中，一个以缺氧、快速分裂细胞为特征的特定邻里，以及另一个充满免疫细胞并在血管附近呈递抗原的邻里，都与较短的生存时间有关。
这些发现表明，肿瘤内细胞的具体排列是其行为的一个有力指标。这项研究并非声称治愈了这些疾病，而是提供了一个识别哪些细胞环境最为重要的实用框架。通过使快速分析数百名患者成为可能，该工具为发现有助于医生更准确地分类疾病或识别新治疗靶点的模式打开了大门。研究人员强调，虽然这些邻里与患者预后之间的联系很强，但它们属于探索性的，仍需进一步验证。尽管如此，能够在大规模人群中绘制这些细胞景观的能力，代表了在理解疾病复杂地理学方面迈出的重要一步。
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。