可解释 AI 模型 SPACER 从空间转录组数据解码组织内细胞募集规则
Interpretable AI model reveals spatial codes of cell recruitment in tissues
研究团队提出可解释的多实例学习框架 SPACER,可直接从空间转录组(SRT)数据中解码基因层面的细胞募集规则。在覆盖多种人类肿瘤类型和小鼠心脏的 37 个 SRT 数据集上,SPACER 在多项恢复有生物学意义的募集信号任务中相较现有方法提升 4 至 21 倍。
该方法在 37 个空间转录组数据集上把募集信号恢复提升 4 到 21 倍,并把模型输出与免疫治疗耐药联系起来。
已发表论文 · journal · 10.1038/s41551-026-01804-6
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
IF(5) 32.6 · 2025 · 期刊参考指标
理解哪些分子信号将特定细胞招募到精确的组织位置,是组织生物学、免疫学和疾病研究的基础。现有的空间分辨转录组学(SRT)计算工具只能描述细胞所处的位置,却无法解释其原因。在此,我们介绍了 SPACER——一个完全可解释的多实例学习框架,能够直接从 SRT 数据中解析出基因层面的招募规则。在涵盖多种人类肿瘤类型和小鼠心脏的 37 个 SRT 数据集上,SPACER 在恢复具有生物学意义的招募信号的各项任务中,比现有方法提升了 4-21 倍。SPACER 揭示了:(1)肿瘤表达的黏蛋白与 T 细胞接触的物理屏障相关,这可预测对免疫检查点抑制剂的耐药性及患者预后;(2)局部抗原呈递是跨癌种 T 细胞接触的主要相关因素;(3)Cd4⁺ T 细胞是免疫检查点抑制剂所致重症心肌炎中的主要功能性效应细胞。这些发现确立了 SPACER 作为细胞招募生物学发现引擎的地位,并具有直接的转化应用价值。
来源:Nature Biomedical Engineering · doi.org