近日，来自埃默里大学（Emory University）的胡健教授团队与得克萨斯大学MD安德森癌症中心（University of Texas MD Anderson Cancer Center）的王凌华教授团队联合在《自然通讯》（Nature Communications）上发表了一项突破性的研究成果。该研究介绍了一种名为METI的新算法，这是一种用于深入剖析肿瘤生态系统的空间转录组数据分析框架。该研究由博士生蒋嘉汇担任第一作者，胡健和王凌华作为共同通讯作者。
METI的工作原理
METI是一种创新的机器学习方法，它通过融合空间基因表达数据与病理学组织学特征，实现了对肿瘤生态系统的系统化分析。这种方法不仅能够识别肿瘤细胞和免疫细胞，还能进一步区分它们的亚群，从而提供更为详细的细胞状态信息。METI的输入包括空间转录组数据、对应的H&E染色组织切片图像以及每个采样点的位置坐标。
METI的模块化分析框架
METI的分析流程由四个递进的模块组成：
- **模块1**：识别正常和癌前细胞，例如胃中的杯状细胞；
- **模块2**：鉴定肿瘤细胞富集区，并评估细胞状态的多样性；
- **模块3**：专注于T细胞（包括CD4+和CD8+T细胞），并区分调节性T细胞（Treg）和耗竭性T细胞（Tex）；
- **模块4**：研究癌症相关成纤维细胞（CAFs），并进一步细分为myCAFs、iCAFs和apCAFs。
每个模块都能够生成特定细胞类型的图像分割结果、基因表达图、整体分布以及细胞密度的三维空间可视化。
#### METI的应用示例
在定位杯状细胞的具体应用案例中，METI展示了其独特的图像形态学和基因表达相结合的优势。通过基因表达分析，METI成功地识别了杯状细胞的高表达区域。然而，由于某些区域的mRNA量较低，单独依靠基因表达分析无法完全识别所有杯状细胞。通过结合图像分割技术，并设置基于文献报告的细胞形态特征的过滤条件，METI成功地识别并保留了这些细胞，从而弥补了基因表达分析的不足。
#### 结论
METI作为一个强大的工具，能够有效地结合图像形态学和基因表达分析，为研究者提供了一种新的手段来探索细胞类型的空间分布。随着空间转录组学技术在生物医学研究领域的广泛应用，METI有望成为研究人员进行大规模空间转录组数据分析的重要辅助工具。
