Cell发布新工具，利用人工智能来预测空间基因表达

　　

空间转录组学分析正在彻底改变我们对肿瘤异质性的认识，但高昂的成本也限制了其在大规模生物标志物发现研究中的应用。

美国国家癌症研究所等机构的研究人员近日开发出一种新工具，能够直接从组织病理学切片中预测空间基因表达。

这项研究成果于5月8日发表在《Cell》杂志上，能够更快、更经济地确定肿瘤组织中表达的基因，从而让更多患者得到个性化癌症治疗。

这个名为Path2Space的深度学习模型是在大量乳腺癌空间转录组数据上训练的，可根据活检切片的数字图像来预测肿瘤区域的基因表达。

Path2Space可预测肿瘤内多个点的空间基因表达，以解析肿瘤异质性。这个过程只需要几分钟，成本远低于传统的空间基因表达谱分析，后者通常需要数周时间，且花费数千美元。

共同通讯作者、美国国家癌症研究所的Eytan Ruppin博士表示：“这个工具主要有两大贡献。它将协助研究人员分析更大规模的数据集，并了解肿瘤的空间结构。更重要的是，如果我们能在临床试验中成功验证该工具，它将改善癌症患者的治疗。”

研究人员利用一大批乳腺癌患者的活检切片和空间测序数据对Path2Space进行了训练。之后，他们在另外三个患者数据集上对该工具进行了测试，以验证其性能。

共同第一作者、美国国家癌症研究所的Eldad Shulman称：“对于每个样本，我们都将实际测得的基因表达与工具的预测结果进行比较。我们预测了近5,000个基因的空间表达，且在所有三组患者中，预测结果都与实际测得的表达水平高度吻合。”

Path2Space还能够帮助科学家发现新的生物标志物，这些标志物可指导治疗决策，并识别出预后不良风险较高的患者。

研究人员表示，这种工具可观察肿瘤内部的特征，比如某个基因是否仅在肿瘤的部分区域表达。他们发现，肿瘤中存在特定的基因活性空间模式，这些模式可预测患者对治疗的应答。

Shulman指出，鉴定空间生物标志物是一项挑战性的任务，因为传统空间分析方法的成本高昂，导致此类数据极为匮乏。

“在开发Path2Space之前，我们在研究肿瘤微环境的空间结构时能找到的最大队列仅有约30名患者，” Shulman说。“有了这个新工具，我们可以分析数千名患者的切片。”

由此可见，Path2Space正在以一种前所未有的方式挖掘空间生物学的潜力。

研究人员发现，与基于传统测序的生物标志物相比，这种低成本的肿瘤微环境空间图谱能够更准确地预测乳腺癌患者对化疗和曲妥珠单抗的应答。

“Path2Space为分子检测提供了一种可扩展且经济高效的替代方案。它有助于人们实现大规模队列的生物标志物发现，并获得肿瘤生物学的转化相关线索，并有望应用于多种癌症，” 作者在文中写道。

研究人员表示，在经过正确数据的训练后，Path2Space可应用于其他类型的癌症。该实验室目前正在开展一项研究，将其应用于头颈部癌症。研究团队还在努力提升该工具的精准度。目前它分析的是10到20个细胞组成的群体，最终目标是能够评估单个细胞。