HRCHY-CytoCommunity выявляет иерархическую организацию тканей на картах пространственного распределения типов клеток

Как клетки строят «соседства» внутри тканей

Наши органы — это не просто мешки с клетками; это тщательно устроенные города, где разные клеточные «соседи» объединяются, чтобы поддерживать жизнь, а при болезни иногда работают против нас. Новые методы визуализации и секвенирования теперь позволяют фиксировать, где находится каждая клетка в срезе ткани, и что она делает. Но разобраться в этом ошеломляющем простра́нственном уровне деталей сложно. В этом исследовании представлена HRCHY‑CytoCommunity — вычислительный метод, который автоматически восстанавливает, как клетки группируются в микрорайоны и более крупные участки внутри здоровых органов и опухолей, и связывает эти паттерны с исходами у пациентов.

От карт клеток к скрытой структуре ткани

Современные пространственные технологии «омики» позволяют измерять тысячи молекул в десятках или сотнях тысяч клеток, сохраняя при этом их точные координаты в ткани. Известно, что клетки организованы в слои, зоны и отделы — например, иммунные и опухолевые области в опухолях или отдельные ядра в мозге. Эти шаблоны имеют значение: опухоли, в которых иммунные клетки отделены от раковых, часто ведут себя иначе, чем те, где они переплетены; специальные иммунные скопления, называемые третичными лимфоидными структурами, могут предсказывать лучшую выживаемость при нескольких видах рака. Однако большинство существующих инструментов либо игнорирует эту естественную иерархию, либо находит структуры только на одном уровне, что затрудняет понимание того, как мелкие клеточные соседства вписываются в более крупные тканевые районы.

Новый способ чтения клеточных соседств

HRCHY‑CytoCommunity решает эту задачу, рассматривая ткань как сеть клеток. Каждая клетка — это узел в графе, связанный с ближайшими пространственными соседями. Вместо прямого использования сырых измерений генов или белков метод опирается главным образом на тип каждой клетки (например, раковая клетка, Т‑клетка или фибробласт) как входные данные. Затем графовая нейронная сеть обучается распознавать закономерности расположения этих типов клеток. На первом этапе она группирует близкие клетки в тонко‑гранулярные «клеточные соседства». На втором этапе эти соседства объединяются в более крупные «тканевые отделы», гарантируя, что каждая клетка принадлежит ровно одному соседству, а каждое соседство целиком находится внутри одного отдела. Особые приемы обучения — такие как отбрасывание слабых связей, добавление случайного шума и поощрение стабильных, сбалансированных кластеров — помогают методу избегать хрупких или тривиальных разбиений.

Поиск структуры в разных органах, технологиях и болезнях

Авторы протестировали HRCHY‑CytoCommunity на широком наборе пространственных данных мышей и людей, охватывающем как имиджинг‑карты белков, так и секвенс‑карты РНК, и включающем селезенку, мозг, кишечник и опухоли. В селезенке мыши метод восстановил классические структуры, такие как красная пульпа и лимфоидные регионы, даже когда эти области были разбиты на несвязанные участки. В ткани колоректального рака он четко отделил опухолевые и нормальные зоны и выделил характерные соседства на краях и в ядре опухоли. В участках мозга мыши метод точно выделил известные, часто крошечные ядра и кортикальные слои, которые многие другие методы размывали, и справился с очень большими наборами данных, содержащими сотни тысяч точек, за считанные минуты. Фреймворк также работает, когда каждая измеренная точка содержит смеси типов клеток: предварительно оценив, какие клетки присутствуют в каждой точке, он по‑прежнему может реконструировать анатомически осмысленные слои и подрегионы.

Шаблоны, различающиеся у разных пациентов

Помимо описания отдельных образцов, HRCHY‑CytoCommunity может выравнивать соседства и отделы между многими пациентами, чтобы определить общую «словесность» многоклеточных структур. При тройноминус‑положительном раке молочной железы метод последовательно выделял широкие иммунно‑богатые и опухолево‑богатые отделы, но более мелкие соседства внутри них отличались у разных людей. Некоторые опухоли содержали уникальные комбинации макрофагов, Т‑клеток и кровеносных сосудов или смешанные карманы из раковых клеток и нейтрофилов, обнаруживая индивидуализированные микро‑экологии, невидимые при простом подсчете типов клеток. При применении к большой когорте больных раком молочной железы эти многоуровневые структуры помогли стратифицировать пациентов по выживаемости: один отдел, обогащенный определенным фенотипом раковых клеток, обозначал пациентов с лучшим прогнозом, тогда как отдельные соседства, насыщенные фибробластами или специфическими сочетаниями Т‑клеток и макрофагов, отмечали группы с существенно худшим прогнозом — вероятно, отражая физические или функциональные барьеры для эффективного противоопухолевого иммунитета.

Что это означает для понимания и лечения болезней

Преобразуя сложные пространственные карты типов клеток в ясную иерархию соседств и районов, HRCHY‑CytoCommunity предлагает мощную призму для понимания того, как строятся ткани и как они разрушаются при болезни. Способность метода работать на разных экспериментальных платформах, обрабатывать огромные наборы данных и обеспечивать полное, вложенное покрытие клеток делает его практичным инструментом как для фундаментальной биологии, так и для клинических исследований. В онкологии он может выявлять микро‑архитектуры, связанные с выживаемостью и ответом на терапию; в здоровых органах — картировать, как специализированные регионы взаимодействуют. В конечном счете подходы такого рода могут помочь врачам читать организацию тканей так же регулярно, как сегодня читают лабораторные тесты, направляя более точную диагностику и лечение.

Цитирование: Xie, R., Wang, Z., Liu, J. et al. HRCHY-CytoCommunity identifies hierarchical tissue organization in cell-type spatial maps. Nat Commun 17, 3312 (2026). https://doi.org/10.1038/s41467-026-70069-z

Ключевые слова: пространственная омics, архитектура тканей, графовые нейронные сети, микроокружение опухоли, клеточные микрорайоны