編輯 | 白菜葉

細(xì)胞間通訊（CCC）是確保生物系統(tǒng)和諧運(yùn)作的基本生物學(xué)過(guò)程。

越來(lái)越多的證據(jù)表明，同一類(lèi)型或簇的細(xì)胞在不同的生態(tài)位下可能表現(xiàn)出不同的相互作用模式，但大多數(shù)主流方法在細(xì)胞類(lèi)型或簇水平上進(jìn)行 CCC 推斷，而忽略了生態(tài)位的異質(zhì)性。

北京大學(xué)的研究人員提出了基于空間轉(zhuǎn)錄組學(xué)的細(xì)胞間通訊和亞型探索工具（Spatial Transcriptomics-based cell?cell Communication And Subtype Exploration，STCase），該工具能夠基于空間轉(zhuǎn)錄組學(xué)（ST）在單細(xì)胞/點(diǎn)水平上描述 CCC 事件。

STCase 包含一個(gè)可解釋的多視圖圖神經(jīng)網(wǎng)絡(luò)（GNN），該神經(jīng)網(wǎng)絡(luò)通過(guò) CCC 感知注意力機(jī)制識(shí)別每種細(xì)胞類(lèi)型的微環(huán)境，并揭示微環(huán)境特有的 CCC 事件。

相關(guān)研究以「Interpretable niche-based cell?cell communication inference using multi-view graph neural networks」為題，于 2025 年 5 月 27 日發(fā)布在《Nature Computational Science》。

細(xì)胞間通訊（Cell?cell communication，CCC）對(duì)于生物維持體內(nèi)穩(wěn)態(tài)和應(yīng)對(duì)外界刺激至關(guān)重要。

探索 CCC 的傳統(tǒng)方法因缺乏空間信息導(dǎo)致假陽(yáng)性率高?？臻g轉(zhuǎn)錄組技術(shù)（ST）可以通過(guò)整合基因表達(dá)和位置信息顯著提升 CCC 研究。但是，現(xiàn)有 ST 方法僅能推斷細(xì)胞類(lèi)型間的全局交互，會(huì)忽略細(xì)胞微環(huán)境異質(zhì)性可能遺漏關(guān)鍵 CCC 事件。此外，當(dāng)前的單細(xì)胞分辨率方法也未能系統(tǒng)結(jié)合 CCC 推斷功能微環(huán)境。

近期的研究雖然嘗試通過(guò)子聚類(lèi)分析識(shí)別亞群間 CCC，卻常忽視細(xì)胞/空間點(diǎn)之間交互關(guān)系在子聚類(lèi)過(guò)程中的重要性。

在最新的研究中，北京大學(xué)的研究團(tuán)隊(duì)在單細(xì)胞/空間點(diǎn)層面精確識(shí)別 CCC 事件，并將其納入細(xì)胞類(lèi)型的子聚類(lèi)分析中，以便識(shí)別在 CCC 層面具有功能異質(zhì)性的細(xì)胞微環(huán)境。

此外，他們借助多視角圖神經(jīng)網(wǎng)絡(luò)（multi-view graph neural network）的可解釋性特征，進(jìn)一步揭示出具有特定功能的微環(huán)境特異性 CCC 事件。該方法稱為 STCase。

STCase

具體而言，STCase 方法首先通過(guò)整合由配體-受體對(duì)（Ligand-Receptor Pair, LRP）激活的轉(zhuǎn)錄因子（Transcription Factor, TF）及其下游靶基因所構(gòu)成的細(xì)胞內(nèi)信號(hào)通路，在單細(xì)胞/空間點(diǎn)分辨率上識(shí)別候選 CCC 事件，從而提升推斷的準(zhǔn)確性。

該模塊包括以下四個(gè)步驟：

（1）聚合配體和受體的基因表達(dá)信息，并考慮配體的擴(kuò)散效應(yīng)，計(jì)算初步的 CCC 評(píng)分；

（2）通過(guò)置換檢驗(yàn)篩除不顯著的CCC事件；

（3）使用 SCENIC 方法計(jì)算下游TF的激活評(píng)分；

（4）將初步 CCC 評(píng)分與 TF 激活評(píng)分進(jìn)行整合，分為寬松模式與嚴(yán)格模式兩種方式。

在寬松模式下，即使下游 TF 激活評(píng)分未顯示細(xì)胞內(nèi)信號(hào)通路的活化，預(yù)測(cè)得到的 LRPs 仍會(huì)被保留；而在嚴(yán)格模式下，此類(lèi) LRPs 將被篩除。

圖示：STCase 的概述和評(píng)估。（來(lái)源：論文）

值得一提的是，研究人員還構(gòu)建了一個(gè)高可信度的 LRP 數(shù)據(jù)庫(kù)——STCaseDB，用于準(zhǔn)確推斷 CCC 事件。STCaseDB 整合了多個(gè)數(shù)據(jù)來(lái)源，并經(jīng)過(guò)多輪篩選，確保其中的 LRPs 具有高置信度，同時(shí)還關(guān)聯(lián)了每對(duì) LRP 所對(duì)應(yīng)的下游 TF 信息。

STCase 進(jìn)一步基于整合后的 CCC 評(píng)分，對(duì)細(xì)胞類(lèi)型進(jìn)行子聚類(lèi)，并識(shí)別特定微環(huán)境（niche）中的 CCC 事件。該模塊也包括四個(gè)步驟：

（1）基于空間鄰接圖（Spatial Adjacent Graph, SAG）構(gòu)建多視角圖神經(jīng)網(wǎng)絡(luò)（multi-view GNN），該圖整合了ST數(shù)據(jù)中的空間坐標(biāo)和基因表達(dá)信息，其中每一個(gè) GNN 視角對(duì)應(yīng)一個(gè)LRP；

（2）將CCC評(píng)分與可變LRP權(quán)重相乘，作為圖邊的權(quán)重，用于訓(xùn)練一個(gè)自編碼器風(fēng)格的模型以編碼潛在表示；

（3）通過(guò)內(nèi)積解碼對(duì)潛在表示進(jìn)行優(yōu)化，目標(biāo)是盡可能準(zhǔn)確地重構(gòu)原始 SAG；

（4）利用潛在表示與 LRP 權(quán)重，分別進(jìn)行基于微環(huán)境的細(xì)胞類(lèi)型子聚類(lèi)與微環(huán)境特異性 CCC 事件的識(shí)別。

在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，每個(gè) LRP 權(quán)重被設(shè)定為可學(xué)習(xí)參數(shù)，用以表示其在細(xì)胞子聚類(lèi)中的貢獻(xiàn)。

在 GNN 完成細(xì)胞聚類(lèi)之后，還可以進(jìn)一步分析 LRP 權(quán)重，以識(shí)別在不同微環(huán)境中調(diào)控功能差異的 CCC 事件，從而揭示由于空間定位不同，LRPs 對(duì)同一細(xì)胞類(lèi)型產(chǎn)生的不同影響。

圖示：使用 STCase 將 SCC 分為三種亞型。（來(lái)源：論文）

另外，STCase 還提供了多種可視化工具，幫助用戶進(jìn)一步解釋分析結(jié)果。

研究人員 對(duì) STCase 進(jìn)行了評(píng)估，結(jié)果表明它許多方面展現(xiàn)出良好的結(jié)果。例如，它能夠準(zhǔn)確捕獲人類(lèi)支氣管腺體中已報(bào)道的免疫相關(guān) CCC 事件。它還識(shí)別出了口腔鱗狀細(xì)胞癌的三個(gè)不同微環(huán)境，并發(fā)現(xiàn)了可能影響腫瘤預(yù)后的微環(huán)境特異性 CCC 事件。

不過(guò)，它仍然存在一些局限性，需要在未來(lái)的研究中加以解決：

第一，STCase 識(shí)別的 CCC 事件基于已知 LRPs 的整合，因此無(wú)法檢測(cè)尚未發(fā)表的 LRPs。

第二，STCase 假設(shè)基因表達(dá)水平模擬蛋白質(zhì)豐度，這可能會(huì)引入偏差并降低結(jié)果的準(zhǔn)確性。

第三，盡管 STCase 通過(guò) SCENIC 方法整合下游通路的 TF 激活分?jǐn)?shù)來(lái)提高預(yù)測(cè)準(zhǔn)確性，但細(xì)胞內(nèi)信號(hào)通路的固有復(fù)雜性以及該策略未能解釋通路間串?dāng)_，可能導(dǎo)致假陽(yáng)性預(yù)測(cè)。

第四，在特定條件下發(fā)現(xiàn)CCCs還需要進(jìn)一步的實(shí)驗(yàn)驗(yàn)證。

盡管如此，STCase 所展現(xiàn)的能力依舊是值得肯定的。未來(lái)，STCase 也許會(huì)成為解讀各種生理和病理環(huán)境下具有生物學(xué)意義的 CCC 事件的寶貴工具。

STCaseDB：https://doi.org/10.6084/m9.figshare.28670036

STCase：https://github.com/STCaser/STCase

論文鏈接：https://www.nature.com/articles/s43588-025-00809-6