新型AI方法识别肿瘤内和周围基因之间的位置和相互作用

SpaceMarkers是由约翰霍普金斯收敛研究所和约翰霍普金斯Kimmel癌症中心的研究人员开发的一种新的机器学习软件，可以识别肿瘤内和周围不同类型的细胞之间的分子相互作用。

SpaceMarker 利用通过空间转录组学获得的信息，这是一种尖端技术，可根据组织样本在细胞中的位置测量组织样本中的基因表达。了解单个细胞的分子谱以及肿瘤微环境(肿瘤内和周围的细胞)中细胞间相互作用的影响对于区分肿瘤进展的决定因素至关重要。

通常观察到高表达基因与某些过量的细胞类型，显性的生物过程或健康组织中不常见的细胞类型之间的显着相互作用有关。高级研究作者，肿瘤学定量科学部门主任兼融合研究所联合主任Elana Fertig博士解释说，基因由于各种原因在细胞中表达，其中一些基因会导致癌症进展的高风险。

“SpaceMarks可以帮助癌症研究人员确定基因是否由于细胞间的相互作用而过度表达，”Fertig说。“它还可以识别与感兴趣的基因相关的特定细胞间相互作用。这些新信息可以为研究人员提供进一步的途径，以了解导致癌症的因素，或者回答为什么一些患者对某些治疗有反应，而另一些患者则没有。

SpaceMarks通过识别空间转录组学数据中看到的单个细胞类型的高活性区域来工作，主要研究作者Atul Deshpande博士，硕士，约翰霍普金斯大学Fertig实验室的博士后研究员解释说。来自两种细胞类型的高活性区域被鉴定为细胞间相互作用的位点。然后，该算法从两种细胞类型的相互作用中识别分子变化。

该软件有两种操作模式，Deshpande说。一种是简单的差异表达模式，可识别在细胞间相互作用位点中表达明显较高的基因，这表明这种相互作用导致基因以更高的速率表达。但是，该软件没有考虑细胞群的空间变化。第二种(残差模式)在考虑空间转录组数据中鉴定出的所有细胞群后，识别表达明显较高的基因。

研究人员使用来自胰腺癌，乳腺癌和肝癌的几个临床样本的空间转录组学数据(根据其在细胞中的位置测量组织样本中的基因表达)测试了SpaceMarks。该软件通过鉴定已知影响肿瘤和免疫细胞相互作用的基因进行了验证。

“许多基因与我们对这些类型癌症中肿瘤 - 免疫相互作用的现有理解一致，”Deshpande说。“我们还发现，目前形式的SpaceMarkers更适合分析实体瘤，例如在一些乳腺癌和肝癌中发现的实体瘤。

该研究论文旨在探索SpaceMarkers在各种癌症类型中的能力，研究人员将在后续步骤中将识别的基因与治疗和患者反应相关联。作者将在未来的研究中优化SpaceMarks，以提高其在缺乏明显肿瘤肿块或明确肿瘤边界的癌症(如胰腺癌)上的表现。

收敛研究所团队还希望通过开发更高分辨率的空间技术(如多重误差稳健荧光原位杂交(MERFISH)或Xenium)来扩展用于分析数据的应用。