来源：市场资讯
（来源：BioAI Frontier）
—— 空间转录组 × 机器学习 × cfDNA 甲基化 × 深度学习无创液体活检
核心一句话
• 问题:肿瘤微环境(TME)中的多细胞生态系统驱动癌症进展与治疗反应,却难以临床检测;现有方法要么忽略空间信息、要么无法跨样本整合,而且都依赖有取样偏差的侵入性活检。
• 方法:整合超 1000 万条单细胞与空间转录组,用机器学习框架 Spatial EcoTyper 发现 9 种空间生态型(SE);再用深度学习框架 Liquid EcoTyper 从血浆 cfDNA 甲基化无创还原这些 SE。
• 结果:9 种 SE 跨癌种高度保守、各具独特生物学与临床意义;在近 100 名黑色素瘤患者中,血浆 SE 水平与免疫治疗反应强关联——SE7/SE8 预示获益,SE4 预示耐药。
一、导读:TME 的“多细胞生态”为何重要、又为何难测
肿瘤不是一堆癌细胞的简单堆砌,而是免疫细胞、基质细胞和恶性细胞共同组成的动态生态系统。这些由多种细胞协同形成的信号枢纽,强烈影响疾病进展、免疫逃逸和治疗反应。此前研究把它们称作肿瘤生态型(ecotype),但对它们在 TME 中的空间地理特征知之甚少。
要把这类空间分辨的生态型用到临床,有两大障碍。其一,现有方法各有短板:多重蛋白成像只能看少数预设标志物、EcoTyper 之类忽略空间信息、还有的无法跨样本/跨癌种/跨平台整合。其二,分析它们需要侵入性肿瘤活检,而实体瘤标本存在明显取样偏差,通常只能取一次诊断活检。cfDNA(游离 DNA)虽是有前景的无创分析物,但此前从未有液体活检能无创评估 TME。
本文提出一套多模态框架,融合数据融合(data fusion)、统计学习与深度学习,一举跨越 SE 的检测与无创还原两道难关(图1a)。
图1:研究总览与数据清单。a,整体框架——先从患者队列的空间转录组中发现空间生态型(SE),SE 与临床(生存)相关;再用血浆 cfDNA 甲基化无创检测 SE 以预测免疫治疗反应。b,132 例肿瘤 ST + 千万级单细胞数据,横跨 10 种癌症、6 种空间转录组平台。c,MERSCOPE 与 10x Visium(经 CytoSPACE 映射)刻画肿瘤核心与相邻间质的地理地标。d,10 种癌症中肿瘤 vs 相邻间质的全转录组基因表达差异(9 种 TME 细胞类型)。
二、用了什么技术、什么原理
整个平台由两个引擎组成:一是从空间转录组里“看出”生态型的 Spatial EcoTyper,二是从血液甲基化里“还原”生态型的 Liquid EcoTyper。下面逐一拆开。
▍ 1. Spatial EcoTyper:跨样本“数据融合”+ NMF 发现空间生态型
先备数据:作者汇集 132 例肿瘤的空间转录组(ST)与 144 例同类肿瘤的单细胞 RNA 测序,覆盖 10 种癌症、6 种 ST 平台(10x Visium、legacy ST、Vizgen MERSCOPE、Xenium V1/V3 Prime、Visium HD)。用 CytoSPACE 把单细胞与 ST 数据整合,得到 460 万个细胞类型分辨率的空间转录组,弥补各平台在分辨率或基因回收上的不足。
核心原理:Spatial EcoTyper 把每种细胞类型的基因表达谱(GEP),按相近的空间坐标“融合”进一个统一的、含空间信息的嵌入表示——灵感来自多组学数据融合,既整合空间邻近的表达协方差,又平衡各细胞类型的贡献。具体做法是把单细胞表达按细胞类型聚合进半径 50µm 的空间邻域,再融合跨细胞类型、跨邻域的表达协方差,生成含空间信息的嵌入。
神奇之处:用 UMAP 可视化时,每个嵌入都自发组织成一条从肿瘤核心到相邻间质的空间梯度(P<0.0001),与癌种无关。作者把全部样本联合分析(共 41,066 个空间邻域),再用一种专门变体的非负矩阵分解(NMF)对嵌入聚类,得到 9 个强共定位、相互回避、空间聚集的簇——即“空间生态型”,按到肿瘤边缘的平均距离命名为 SE1–SE9。
▍ 2. 九种空间生态型:一条从核心到间质的“相位跃迁”
9 种 SE 覆盖 9 类 TME 细胞(B 细胞、浆细胞、CD8/CD4 T 细胞、NK、巨噬/单核、树突状细胞、内皮细胞、成纤维细胞)。SE1 富集于间质外周(初始/中央记忆 T 细胞、FOLR2+ 巨噬细胞等);SE9 最靠近肿瘤核心(促血管生成的 TREM2+ 巨噬细胞、INSR+ tip 内皮细胞)。多数 SE 则集中在距肿瘤-间质边界 250µm 内。
其中两个促炎 SE 尤为关键:SE7 主要位于肿瘤边缘,富含 STAT1 高表达、抗原加工提呈相关的 8 系淋巴/髓系/基质细胞状态;SE8 主要位于肿瘤核心,以 GZMB+ T 细胞、代谢升高为特征。此外 SE4(创伤愈合:MYH11+ 肌成纤维细胞 + 缺氧内皮)、SE5(免疫抑制:FAP+ CAF + APOE+ M2 巨噬)日后都会在临床关联中登场。
图2:Spatial EcoTyper 框架与九种 SE。a,框架流程——单细胞 ST→按细胞类型的空间表达谱→表达协方差→整合成空间架构嵌入→UMAP 可视化。b,五种癌症中嵌入均呈现肿瘤↔间质空间梯度。c,跨癌种保守的 SE1–SE9。d,五癌种联合的 SE 发现相似度矩阵。e,SE 在黑色素瘤/乳腺癌切片中的空间结构及与边缘距离、细胞类型的对应。f,各 SE 内细胞状态的空间共定位网络。g,SE 特征细胞状态标志基因。h,区分各 SE 的共识标志基因与生物学过程。
▍ 3. Liquid EcoTyper:CpG 集二值网络(CSBN)从甲基化无创解卷积
有了组织里的 SE,如何隔着血液读出来?作者训练了深度学习框架 Liquid EcoTyper,从 cfDNA 的 CpG 甲基化数据推断 SE 相对水平(图4a)。
其核心是一个 CpG 集二值网络(CSBN):在一个二值权重矩阵 W_B 中同时学习信息量高的 CpG 集合(类比“基因集”)及其权重,把样本甲基化谱编码到“CpG 集”层面再做推断。二值化天然带来正则化,对单个 CpG 的丢失与稀疏更稳健,也让全部 CpG 特征无需额外反推即可透明提取。模型输出三类:各 SE、非 SE 肿瘤成分,以及代表非肿瘤来源 DNA 的“背景”类(用健康人 cfDNA 定义)。
▍ 4. 训练策略:模拟 cfDNA + 健康背景 + 跨样本相对水平损失
为贴近临床,作者用模拟 cfDNA 构建训练/测试集(训练 n=346、测试 n=115),把甲基化输入按 0.5 的比率做 dropout 以抗 EM-seq 技术丢失,NAdam(lr=0.001)优化,训练 40 轮,并把 10 折模型集成。损失函数很讲究:用基于 Pearson 相关的预测损失优先维持“跨样本 SE 相对水平”的线性关系(这才是临床可用的关键),再加 CpG 集大小惩罚项(λ=10)做正则,既稳健又不过拟合训练数值。
三、结果一:SE 的生物学与跨平台稳健性
作者在 90 例留出的 ST 样本(含黑色素瘤、9 种癌、6 种平台)上验证 SE:同一 SE 的细胞状态在空间上显著共定位,空间连贯性(Moran's I)与到边缘距离均符合预期;在全新平台(Xenium Prime)上 de novo 也能重现 9 种 SE。在 144 例单细胞图谱中 9 种 SE 均可显著、特异地检出,甚至在 64 例脑转移灶中也大多保守。此外,作者还开发了一个“解卷积模型”,能从便宜的 bulk 表达数据里稳健还原 9 种 SE,并用相邻黑色素瘤切片的 Visium 与 MERSCOPE 交叉验证——815 个重叠空间点上 SE 微结构显著相关。
图3:Spatial EcoTyper 解卷积模型的开发、验证与应用。基于 scRNA-seq 生成千级伪 bulk 训练解卷积模型(a),在配对 bulk RNA-seq 与 Visium(HTAN)等多场景验证 9 种 SE 的一致性(b–f);g,TCGA 中 SE 与总生存的关联;h、i,SE 对免疫治疗反应/预后的分层能力,并与 TMB、CD274(PD-L1)对比。
四、结果二:SE 的临床与预后意义
作者把方法用到 TCGA 的 7,076 例黑色素瘤及 16 种癌的 bulk RNA-seq:在校正年龄性别后,9 种 SE 有 6 种对总生存显著预后。其中 SE5(边缘富集、上皮-间质转化与 TGFβ1 升高)是“短生存”的首要决定因素;而 SE7、SE8(分别富集抗原加工与代谢程序)显著预示更长生存。
在免疫治疗方面,作者汇集 1,249 例治疗前肿瘤(黑色素瘤 + 3 种癌):SE8、SE7 能显著增强免疫检查点抑制剂(ICI)获益分层,SE4 则是 ICI 耐药的首要关联因素。在 465 例有 TMB/PD-L1 数据的患者中,SE7、SE8 在多变量模型中预测总生存的能力优于 TMB 和 CD274(PD-L1),显示 SE 携带了传统标志物之外的独立信息。
五、结果三:无创液体活检从 cfDNA 甲基化还原 SE
接着是最关键一步:能否隔着血液读出 SE?作者聚焦转移性黑色素瘤(ICI 为标准治疗、数据丰富),从 Yale 与 WashU 两家机构收集 23 例患者的肿瘤标本与血浆 cfDNA,cfDNA 用全基因组 EM-seq 检测,配对肿瘤做 Visium 与/或 EM-seq,并限定临床可行的低投入量(≤10 ng)以模拟真实条件。
结果令人振奋:血浆与肿瘤两个“腔室”测得的 SE 水平高度相关——ST-血浆配对中除 SE2(P=0.067)外全部显著,肿瘤-血浆配对中除 SE3(P=0.058)外全部显著。考虑到数据来自不同队列、不同身体腔室、不同技术平台,这种一致性相当惊人。
图4:从血浆 cfDNA 无创检测 TME。a,Liquid EcoTyper 框架——CpG 集二值网络 + 解卷积模块,从肿瘤或血浆甲基化推断各 SE 相对水平(含背景 BG、非 SE)。b、c,基于模拟 cfDNA 的模型开发与体外性能。d,配对肿瘤/血浆/PBMC 的多模态验证设计。e–h,血浆与肿瘤 SE 水平的一致性(含 SE7、SE4 的空间对照)。i,方法的特异性:血浆-肿瘤显著、血浆-PBMC 不显著。
六、结果四:血浆 SE 早期预测免疫治疗反应
在近 100 名黑色素瘤患者中,治疗前血浆 SE 水平与 ICI 反应呈现惊人关联,而且与组织 RNA-seq 得到的关联几乎完全一致(r=0.97)。治疗前血浆 SE7、SE8 升高,强烈预示未来持久临床获益(DCB)、更长无进展生存(PFS)与总生存(OS)(两者 P<0.001、HR<0.38);相反,SE4 升高预示 ICI 耐药、更短 PFS(HR=2.92)与 OS(HR=2.29)。
这些关系在不同 ICI 方案、黑色素瘤亚型、性别与年龄间都稳健,并在另一机构 10 例独立队列中复现。相比之下,治疗前 ctDNA 水平仅与耐药/短 OS 弱相关,且在纳入血浆 SE 的多变量模型中不再显著——说明血浆 SE 捕获了 TMB、PD-L1 与 ctDNA 之外的、非冗余的额外信息。
图5:用 SE 无创、早期评估免疫治疗反应。a,78 例黑色素瘤 ICI 队列的临床特征、治疗前血浆 SE7/SE8/SE4 与 ctDNA。b,血浆 SE 与组织 SE 的反应关联几乎完全一致(r=0.97)。c、e,SE7、SE4 血浆水平在获益(DCB)与不获益(NDB)间的差异。d、f,按血浆 SE7/SE4 中位数分层的 PFS 与 OS 生存曲线(SE7 高→更好,SE4 高→更差)。
七、技术栈与原理速览
模块 / 工具
作用
核心原理
CytoSPACE
单细胞 + ST 整合
把 scRNA-seq 映射到空间坐标,得细胞级分辨率图谱
Spatial EcoTyper
发现空间生态型
跨样本融合含空间信息的表达嵌入,受多组学融合启发
专用 NMF
定义 SE 簇
对 41,066 个空间邻域嵌入分解出 SE1–SE9
解卷积模型(NMF 变体)
从 bulk 还原 SE
千级伪 bulk 训练,兼容 bulk/单细胞/空间数据
Liquid EcoTyper(CSBN)
从甲基化无创解卷积
CpG 集二值网络,学习 CpG 集合 + 权重,输出 SE/非 SE/背景
Pearson 损失 + CpG 集惩罚
训练目标
优先跨样本相对水平线性关系,λ=10 正则防过拟合
模拟 cfDNA + 健康背景 + dropout
抗噪训练
模拟低投入 cfDNA、0.5 dropout、10 折集成
一句话概括原理:先用“空间坐标 + 细胞类型的表达融合”把 TME 的多细胞生态提炼成 9 种可复现的空间生态型;再用“CpG 集二值网络”把这些生态型的甲基化指纹从一管血里无创解卷积出来,从而把“看组织切片”升级成“抽血追踪”。
八、局限与意义
局限:①无创 SE 检测目前主要在转移性黑色素瘤中建立与验证,推广到其他癌种仍需更多数据;②依赖模拟 cfDNA 训练与健康人背景类,不同细胞状态入血动力学不一,血浆与组织 SE 未必逐点对应;③临床队列规模仍属中等(近 100 例),需前瞻性、多中心扩大验证。
意义:这项工作首次给出了肿瘤微环境的“液体活检”——把驱动疗效的多细胞生态,从必须切片的组织学信息,变成可反复抽血、无创、纵向监测的血液指标。它既揭示了 TME 组织的基本单元(9 种保守 SE),又提供了一个能同时处理实体与液体样本的多模态平台,对风险分层与免疫治疗个体化都有直接价值,并为“用一管血读懂肿瘤生态”的时空监测打开了大门。
技术速览一卡通
• 数据:>1000 万单细胞/空间转录组 · 132 例 ST + 144 例 scRNA-seq · 10 种癌 · 6 种平台。
• 模型:Spatial EcoTyper(空间融合 + NMF)发现 9 种 SE;Liquid EcoTyper(CpG 集二值网络)从 cfDNA 甲基化无创还原。
• 战绩:9 种 SE 跨癌保守;6/9 对生存显著预后;血浆 SE 与组织反应关联 r=0.97;SE7/SE8 预示 ICI 获益、SE4 预示耐药。
• 价值:首个 TME 液体活检平台,一管血无创、纵向评估免疫治疗反应,超越 TMB/PD-L1/ctDNA 的额外信息。
论文:Zhang W, Brown EL, Usmani A, et al. Non-invasive profiling of the tumour microenvironment with spatial ecotypes. Nature 654, 1076-1085 (2026). DOI: 10.1038/s41586-026-10452-4 · Open Access
热门跟贴