HRCHY-CytoCommunity 在细胞类型空间图中识别分层组织结构

细胞如何在组织中构建“邻里”

我们的器官不仅仅是细胞的集合；它们是精心安排的城市，不同的细胞“邻居”协作以维持生命，而在疾病状态下有时也会作对。新的成像和测序工具现在可以记录组织切片中每个细胞的位置以及其活动状态。但要理解这些令人眼花缭乱的空间细节并不容易。本研究提出了 HRCHY‑CytoCommunity，一种计算方法，能够自动重建细胞如何在健康器官和肿瘤中分组为邻域和更大区域，并将这些模式与患者结局联系起来。

从细胞图到隐藏的组织结构

现代空间“组学”技术可以在成千上万个细胞中测量数千种分子，同时保留它们在组织中的精确位置。研究者已知细胞会以层、区和隔室的形式组织，例如肿瘤中的免疫区与癌区，或脑中不同的核团。这些模式很重要：免疫细胞与癌细胞分隔的肿瘤通常表现不同于两者混杂的肿瘤，且所谓的第三淋巴结构在若干癌症中可预测更好的生存率。然而，大多数现有计算工具要么忽略这种自然的层级关系，要么仅在单一尺度上发现结构，从而难以看清小的细胞邻域如何嵌入更大的组织区块。

读取细胞邻域的新方法

HRCHY‑CytoCommunity 通过将组织视为细胞网络来应对这一挑战。每个细胞是图中的一个节点，与其在空间上最近的邻居相连。方法并不直接依赖原始基因或蛋白测量值，而是以每个细胞的类型（例如癌细胞、T 细胞或成纤维细胞）作为主要输入。然后，图神经网络学习这些细胞类型如何排列的模式。第一步将相近的细胞分组为精细的“细胞邻域”；第二步将这些邻域汇聚为更粗的“组织区室”，确保每个细胞恰好属于一个邻域，每个邻域又清晰地位于单一区室内。诸如剪除弱连接、加入随机噪声和鼓励稳定且平衡的聚类等训练技巧，帮助该方法避免脆弱或平凡的分组结果。

跨器官、技术与疾病发现结构

作者在广泛的空间数据集上测试了 HRCHY‑CytoCommunity，涵盖小鼠和人类、基于成像的蛋白图谱与基于测序的 RNA 图谱，涉及脾脏、大脑、肠道和肿瘤。在小鼠脾脏中，该方法重建了经典结构如红髓和淋巴区，即便这些区域被分成了不相连的斑块也能识别出来。在结直肠癌组织中，它清晰地区分了肿瘤与正常区域，并突出了位于肿瘤边缘与核心的不同邻域。在小鼠的脑区中，它准确描绘了已知的、往往很小的核团和皮层层次，许多其他方法在这些地方会发生模糊，并且它可以在几分钟内处理包含数十万个位点的超大数据集。当每个测得的点包含多种细胞类型混合时，该框架同样有效：通过先估计每个点中存在哪些细胞，仍能重建出有解剖学意义的层与子区域。

不同患者之间的差异模式

除了描述单个样本外，HRCHY‑CytoCommunity 还能在众多患者之间对齐邻域与区室，以定义共享的多细胞结构“词汇表”。在三阴性乳腺癌中，该方法一致地发现了免疫富集与癌细胞富集的广泛区室，但其中更精细的邻域在不同个体间存在差异。有些肿瘤包含独特组合的巨噬细胞、T 细胞和血管，或者混合的癌细胞–中性粒细胞小窝，揭示了简单细胞计数无法看见的个体化微生态。在一个大型乳腺癌队列中，这些多尺度结构帮助将患者按生存期进行分层：富含特定癌细胞表型的某一区室与较好结局相关，而某些富含成纤维细胞或特定 T 细胞与巨噬细胞组合的邻域则标记出具有显著更差预后的群体，这可能反映了对有效抗肿瘤免疫的物理或功能性屏障。

对理解与治疗疾病的意义

通过将复杂的细胞类型空间图转化为清晰的邻域与区室层级，HRCHY‑CytoCommunity 提供了一个强有力的视角来观察组织如何构建以及在疾病中如何瓦解。该方法能够跨不同实验平台工作、处理海量数据集并提供完整的嵌套细胞覆盖，使其成为基础生物学和临床研究的实用工具。在癌症中，它能揭示与患者生存和治疗反应相关的微结构；在健康器官中，它能描绘专门区域的协作方式。最终，此类方法可能使医生像读取化验结果一样常规地解读组织组织结构，从而指导更精准的诊断与治疗。

引用: 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

关键词: 空间组学, 组织结构, 图神经网络, 肿瘤微环境, 细胞邻域