博文

SMGN：使用图卷积网络破译空间转录组学中的细胞通讯

已有 282 次阅读 2026-10-31 15:52 |个人分类:科普|系统分类:科普集锦

SMGN：使用图卷积网络破译空间转录组学中的细胞通讯

细胞间通讯（CCC）构成了多细胞生物维持重要生命活动的基本生物学途径。细胞通过分泌信号分子与邻近细胞进行通信，这些信号分子随后被靶细胞识别和接收，从而引发一系列生物反应。在此过程中，配体和受体的特异性结合介导关键信号通路，从而调节细胞行为并协调疾病条件下的体内平衡、发育过程和免疫反应。

近年来单细胞 RNA 测序 (scRNA-seq) 的快速发展使科学家能够以单细胞精度和基因组广度探索组织微环境。在此背景下，人们开发出了许多用于推断 CCC 的计算工具，每种工具都依赖于不同的建模策略来建立背景参考并评估配体-受体相互作用 (LRI) 相对于背景的富集程度。一般来说，这些策略可以分为两个主要类别。第一类是基于统计的方法：CellPhoneDB考虑包含多聚体蛋白质的精心策划的 LRI，并通过将零分布与排列的细胞类型标签进行比较来识别通信细胞类型。ICELLNET从单细胞转录谱中提取潜在的通讯通路。CellChat采用网络分析和模式识别来预测细胞群的主要信号输入和输出，并探索不同信号通路之间的协调。第二类是基于网络的方法，它构建更复杂的网络来评估不同细胞类型之间的 LRI。例如，NicheNet和 CytoTalk整合了下游细胞内基因调控网络，以增强 LRI 预测的生物学可解释性。scMLnet构建多层网络来捕获细胞通讯和细胞内转录调控。其他工具，包括 PyMINer和 SingleCellSignalR在 LRI 资源管理和统计测试方面提供了独特的优势。然而，由于 CCC 通常发生在 scRNA-seq 数据无法捕获的物理空间环境中，因此这些非空间推理方法通常会出现较高的假阳性率。为了解决这一限制，最近的研究结合了空间注释来提高预测准确性。

空间转录组学（ST）技术的发展为阐明组织内细胞的空间定位创造了新的机会。 ST 方法提供单细胞或多细胞点的空间坐标，为揭示细胞水平的生物过程提供了巨大的潜力。因此，ST 数据已被广泛用于验证从 scRNA-seq 推断的 LRI 的物理接近性，从而确认真实的细胞通讯关系。迄今为止，已经提出了几种计算框架来从空间角度推断 CCC。例如，SpaOTsc采用结构化最优传输将 scRNA-seq 与 ST 数据对齐，利用空间距离作为成本函数来推断空间受限的信号网络。COMMOT通过合并更复杂的 LRI 和距离约束来扩展 SpaOTsc 框架，从而实现定向通信推理。SVCA和 MISTy分别采用概率建模与机器学习相结合来表征空间相关的基因调控模式。DeepTalk利用基于子图的图注意网络（GAT）对多个尺度的细胞间连接进行建模，从而在单细胞分辨率下实现高精度 CCC 推理。 Giotto为 ST 数据提供了一个多功能分析平台，检测相对于随机期望显着丰富的相邻细胞之间的相互作用。SpatialScope利用深度生成模型将 scRNA-seq 参考与 ST 数据集成，从而将空间分辨率提高到单细胞水平，并在基于成像的 ST 数据集中实现全转录组映射。CrossChat引入了两种互补的分层 CCC 分析策略，包括全局多分辨率聚类和基于树的方法来探索局部分层关系。尽管这些空间信息 CCC 推理方法取得了显著的进步，但仍然存在一些局限性。首先，大多数现有方法主要关注细胞类型水平的通信，而对细胞类型内的概率异质性和空间变异关注不够，从而限制了它们在复杂组织环境中的生物学可解释性。其次，这些方法的性能可能受到 ST 数据质量、测序深度、点分辨率和特定于平台的测量特性的影响，这可能会影响它们在异构空间数据集上的应用。此外，它们的计算复杂性常常阻碍大型群体或回顾性研究的可扩展性。受这些挑战的激励，Gao等人开发了一种名为 SMGN 的新型计算框架（图1，https://github.com/gaopfnice/SMGN）。 SMGN 在点水平上对细胞类型成分进行高精度反卷积，并将结果映射到概率细胞类型分布。通过将多层图卷积建模与空间信息通信推理相结合，SMGN 旨在改进匹配的 scRNA-seq 和 ST 分析设置中的点级反卷积和空间 CCC 推理。

图1 SMGN的工作流程如下：(a) SMGN以ST数据和scRNA-seq参考数据作为输入。在数据预处理和伪点构建完成后，scVI被应用于处理后的ST数据及伪点，从而提取出与数据批次相关的潜在特征信息。(b) SMGN-dec模块利用所获得的潜在特征信息及空间邻域信息来构建图结构，再通过图卷积网络(GCN)来解析每个空间区域内的细胞类型组成。(c) 最终，每个空间区域都会得到相应的细胞类型概率分布结果。(d) 可以对选定组织区域中预测出的细胞类型分布进行空间可视化展示。(e) SMGN-CCC模块则整合了LRI信息、空间坐标以及各空间区域的细胞类型组成信息，从而推断出CCC信息。(f) 图神经网络以LRI介导的通信模式、细胞类型的分布情况以及目标基因的表达水平作为输入，从而进行基因表达的预测。(g) 对所推断出的CCC网络进行可视化处理和验证，并结合实验数据加以确认

具体来说，SMGN 首先对 ST 切片的每个空间位置的细胞类型分布进行高精度反卷积，然后从反卷积结果推断细胞类型之间的通信。该框架将多层图卷积建模与空间信息通信推理相结合，共同整合来自相应组织的 scRNA-seq 和 ST 数据，从而揭示跨空间上下文的复杂通信机制。对 32 个模拟基准数据集和 5 个选定的公共真实空间转录组数据集（包括人类 DLPFC、小鼠胚胎大脑 Stereo-seq、成年小鼠大脑 Stereo-seq 和两个人类乳腺癌数据集）的系统评估表明，SMGN 在本研究分析的数据集中实现了强大的反卷积性能并支持空间 CCC 推理。研究结果表明，SMGN 有效捕获了与不同生理和病理状态相关的重要 CCC 特征，加深对空间细胞动力学的理解，并为阐明疾病机制、识别潜在治疗靶点和构建高分辨率空间转录组图谱提供了宝贵的见解。

参考文献

[1] Gao P, Zhang Y, Zou Q, et al. Deciphering Cell–Cell Communication in Spatial Transcriptomics through Single-Cell-Informed Graph Convolutional Networks. Pattern Recognition, 2026: 115096. https://www.sciencedirect.com/science/article/abs/pii/S0031320326020601

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC