FineST：对比学习将组织学与空间转录组学整合以实现核分辨配体-受体分析

洞察细胞间的隐藏对话

我们的身体充满了微小的对话。相邻细胞不断发送和接收化学信号，帮助组织生长、抵抗感染，或在癌症情况下规避免疫系统。本文介绍了 FineST——一种新的计算工具，它将显微镜图像与基因活性图结合起来，在单个细胞核层面揭示这些细微的细胞间交流，为理解肿瘤如何与周围环境相互作用提供了更清晰的视角。

为何空间细胞图谱仍显不足

现代空间转录组学技术可以记录组织切片中哪些基因在何处活跃。然而，许多流行平台在每个测量点上捕获的是多个细胞的混合信号，而且大面积组织数据存在缺失或极度稀疏的测量。这种低分辨率和断裂的数据使得难以精确判断哪些特定细胞在通信以及通过哪些分子信号传递信息。因此，许多现有方法要么忽视细胞间的物理距离，要么无法在单细胞尺度上解析通信，尤其难以解析那些承担信息传递的关键配体-受体对。

FineST：融合显微图像与基因活性

FineST 通过将高分辨率组织学图像与空间基因表达数据紧密整合来解决这一问题。它利用一种在大量组织切片上预训练的强大图像识别模型，将每个粗糙的测量点细分为许多近似单个细胞大小的小瓷砖。通过学习图像模式与潜在基因活性之间的对应关系，FineST 能为每个小瓷砖、甚至单个细胞核周围推断出细致的 RNA 表达。对比学习策略将图像特征与基因谱在共享空间中对齐，使匹配区域相互强化，同时额外的重建步骤保持预测 RNA 模式对原始数据的忠实性。

更清晰的肿瘤与其微环境视图

研究者在多种癌症数据集上测试了 FineST，包括结直肠癌、乳腺癌、肝癌和鼻咽癌。在高分辨率的结直肠组织中，FineST 比一种领先的替代方法更准确地恢复了数百个信号基因的空间模式，并且更好地预测了每个区域的细胞类型构成。在由两种不同平台测量的乳腺癌样本中，FineST 在近单核分辨率下的重建与详尽的实测图谱相匹配，并揭示了早期病变与更具侵袭性区域之间的细微差异。它突出了特定细胞群体（例如专门化的肌上皮细胞），这些细胞在早期病灶中出现但在更具侵袭性的区域中大多缺失，提示了与肿瘤进展相关的变化。

追踪肿瘤—免疫相互作用

FineST 在绘制肿瘤与免疫及支持细胞相互作用方面尤其有力。在鼻咽癌中，将分辨率提升到核级后，它识别出数百对在空间上共表达的配体-受体对，远多于原始粗粒度测点层面观测到的数量。这些模式与富含 T 细胞、B 细胞、调节性 T 细胞和肿瘤细胞的不同区域一致，并富集于与免疫呈递、细胞生长与迁移相关的通路。在被称为三级淋巴结构的小区域内，FineST 揭示了肿瘤细胞、T 细胞、B 细胞与成纤维细胞之间集中的交流，包括可能帮助肿瘤逃避免疫攻击的抑制性信号。

关于治疗耐受性的线索

在接受 PD-1 免疫治疗的肝癌患者中，FineST 有助于澄清为何某些肿瘤对治疗产生耐受。通过增强原始数据中弱的基因信号，它揭示了巨噬细胞与癌症相关成纤维细胞在肿瘤周围形成屏障的更连贯模式，并定位了仅在无反应者中活跃的配体-受体相互作用。其中一些相互作用，包括涉及 PD-1 通路及其它信号途径，恰好位于肿瘤细胞与免疫细胞之间的边界处，提示跨越该屏障的通信可能抑制免疫攻击。

对未来的意义

对非专业读者而言，FineST 可以被视为一种软件层面的显微镜升级：它利用现有的图像与基因测量来重建组织内部谁在与谁对话，做到逐细胞的解析。通过在单个细胞核水平解析这些对话并将其与已知生物通路相连接，该方法可以揭示肿瘤细胞如何影响邻近的免疫与支持细胞、哪些区域变得更具侵袭性以及为何部分患者对免疫疗法无反应。随着空间技术的不断改进，像 FineST 这样的工具有望将复杂的组织快照转化为清晰、可解释的细胞对话地图。

引用: Li, L., Wang, T., Liang, Z. et al. FineST: contrastive learning integrates histology and spatial transcriptomics for nuclei-resolved ligand-receptor analysis. Nat Commun 17, 4645 (2026). https://doi.org/10.1038/s41467-026-70528-7

关键词: 空间转录组学, 细胞间通信, 癌症微环境, 组织学整合, 配体-受体分析