在脑肿瘤诊断领域，传统的组织病理学评估正面临着分子标记技术带来的深刻变革。随着研究的不断深入，像 DNA 甲基化和下一代测序（NGS）等分子技术逐渐成为中枢神经系统（CNS）肿瘤分类的关键依据。然而，这些技术对 DNA 质量和数量的严格要求，在实际应用中常常受到限制，尤其是在处理样本量较小或肿瘤细胞含量较低的情况时。本文将详细解读《Spatially resolved transcriptomics and graph-based deep learning improve accuracy of routine CNS tumor diagnostics》一文，为您揭示一种全新的脑肿瘤诊断方法 ——NePSTA，它如何整合空间转录组学与基于图的深度学习技术，突破现有困境，提升诊断准确性。
研究背景与目的
脑肿瘤的准确诊断对于患者的治疗和预后至关重要。传统的诊断方法主要依赖于形态学特征和单一蛋白质表达，但近年来，分子标记物如 DNA 甲基化和 NGS 分析在脑肿瘤分类中发挥着越来越重要的作用。然而，这些分子诊断方法需要高质量和充足的 DNA，这在实际临床样本中往往难以满足，特别是对于一些活检样本较小或肿瘤细胞含量较低的情况。因此，开发一种能够克服这些限制的诊断方法具有重要的临床意义。
本文的研究目的是开发和验证一种基于空间转录组学的诊断应用——NePSTA，它利用经典机器学习算法和基于图的人工智能技术，实现对脑肿瘤的综合形态学和分子病理学诊断，提高诊断的准确性和可靠性。
研究方法
样本收集与处理
研究共纳入了来自四个德国医疗中心的 130 个样本，包括不同类型的神经上皮肿瘤患者和健康供体。样本分为两个队列，队列 1（n = 66）来自三个中心，进行了全面的空间转录组学分析和传统诊断检测；队列 2（n = 41）来自弗莱堡的一个单中心队列，也进行了类似的分析。同时，还包括了 12 个健康皮质样本作为对照。
对于福尔马林固定石蜡包埋（FFPE）样本和新鲜冷冻样本，分别按照 10X Genomics 的标准流程进行空间转录组学的制备。具体包括组织切片、染色、杂交、探针洗脱、文库构建和测序等步骤，确保获得高质量的 mRNA 表达数据。
技术流程
图1
研究结果
空间转录组学数据质量评估
通过比较不同样本类型和制备方法的平均独特分子标识符（UMI）数量，发现虽然总体质量指标在队列和样本类型之间没有显著差异，但细胞密度与 UMI 数量密切相关。例如，IDH - 野生型胶质母细胞瘤（GB）样本由于细胞密度高和 RNA 丰富，其 UMI 数量较高；而在非恶性组织和低级别胶质瘤中，由于细胞组成和 RNA 含量的差异，UMI 数量相对较低。这表明在分析空间转录组学数据时，需要考虑细胞密度和组织类型等因素对数据质量的影响。
推断免疫组化（IHC）结果
图2
研究团队开发了一种名为“推断 IHC” 的计算模块，利用贝叶斯推理从空间转录组学数据中预测蛋白质丰度。通过与连续的组织切片 IHC 结果进行比较，发现推断 IHC 结果与 IHC 衍生结果具有良好的一致性。例如，对于常用的诊断标记物 Ki67、GFAP 和 NeuN，其基因表达与蛋白质丰度之间存在显著的相关性（图 2）。尽管由于分辨率的差异，直接比较 IHC 和基因表达数据存在挑战，但推断 IHC 模块为传统 IHC 提供了一种有价值的补充工具，能够在全切片尺度上提供蛋白质表达的信息，有助于更全面地了解肿瘤的生物学特性。
CNV 预测与验证
图3
利用优化的空间转录组学算法计算所有样本的 CNV 图谱，并与 850K 甲基化分析（EPIC）的 CNV 图谱进行验证。结果显示，空间转录组学能够可靠地检测到 CNAs，与基于甲基化的 CNV 分析在 81.2% 的病例中具有一致性。通过多类 ROC 分析，验证了 CNV 检测的准确性，总体曲线下面积（AUC）达到 80.37%。此外，空间转录组学还能够识别出传统甲基化 - 基于 CNV 分析无法检测到的亚克隆组织架构，为深入了解肿瘤的遗传异质性提供了重要信息。
细胞类型分布分析
借助 Cell2location 算法和 GBMap 参考数据集，对不同甲基化类别的肿瘤样本进行细胞类型和状态分布的预测。研究发现，不同肿瘤亚型之间的细胞类型分布存在显著差异，例如在胶质母细胞瘤（GB）的不同亚型中，免疫细胞、基质细胞和髓样细胞的比例各不相同。同时，通过计算细胞间的邻近度，还揭示了不同亚型内细胞 - 细胞相互作用的差异，这些发现对于理解肿瘤微环境和潜在的治疗靶点具有重要意义。
组织学外观和甲基化亚类预测
图4
采用图神经网络（GNN）框架，利用空间转录组学数据预测组织学表型和甲基化亚类。通过比较不同模型结构和训练方法，发现整合近端信号能够显著提高模型的准确性。例如，使用三跳子图的 GIN 模型在预测肿瘤亚类时表现出极高的性能，准确率达到 0.893。在对 GB 和 IDH - 突变胶质瘤的进一步验证中，也显示出了良好的稳健性和准确性，为脑肿瘤的精准分类提供了有力支持。
MGMT 启动子甲基化和 CDKN2A/B 缺失预测
图5
针对
CNV 分析中无法确定单基因扩增和缺失的问题，研究团队扩展了 GNN 框架，加入了专门用于预测 MGMT 启动子甲基化和 CDKN2A/B 缺失的多层感知器（MLP）。结果表明，深度学习框架能够准确预测 MGMT 的状态，准确率接近 99%；对于 CDKN2A/B 缺失的预测，也能够在一定程度上区分不同的基因型，并绘制出其在组织中的空间分布图谱，为临床治疗决策提供了重要的分子信息。
研究意义与展望
本研究成功开发并验证了 NePSTA 这一创新的诊断框架，它整合了空间转录组学和基于图的深度学习技术，在脑肿瘤诊断中取得了显著的成果。通过克服传统分子诊断方法对 DNA 质量和数量的依赖，NePSTA 能够从少量组织中提取丰富的分子信息，实现对肿瘤的多维度分析，包括组织学特征、基因表达、CNV 和甲基化状态等。这不仅提高了脑肿瘤诊断的准确性和可靠性，还为深入了解肿瘤的生物学特性和微环境提供了新的视角。
未来，随着空间转录组学技术的不断发展和成本的降低，以及人工智能算法的进一步优化，NePSTA 有望在临床实践中得到更广泛的应用，为脑肿瘤患者的个性化治疗和精准医疗提供有力支持。同时，该研究也为其他肿瘤类型的诊断和研究提供了借鉴和启示，有望推动整个肿瘤诊断领域的发展。
参考文献
Ritter, M., Blume, C., Tang, Y. et al. Spatially resolved transcriptomics and graph-based deep learning improve accuracy of routine CNS tumor diagnostics. Nat Cancer (2025). https://doi.org/10.1038/s43018-024-00904-z
