用于定量组织分析的细胞邻居偏好方法的比较与优化

为何细胞邻居很重要

我们的身体不是细胞随意散落，而是由热闹的细胞“社区”构成。哪些细胞彼此相邻，会影响肿瘤如何生长、伤口如何愈合，或心脏在心梗后如何恢复。本文提出了一个看似简单的问题：当科学家在组织图像中测量哪些细胞类型倾向于互为邻居时，他们使用的不同方法有多可靠？我们能否改进这些方法？

科学家如何解读细胞城市地图

现代成像和空间基因组学技术能够记录组织切片中成千上万细胞的精确位置和身份。一种常用的分析方法是计算“邻居偏好”：对于某一细胞类型A， 它有细胞类型B作为近邻的频率相比随机情况下有多少偏离？已有许多软件工具实现了这一任务，但它们在细节上存在微妙差别。作者将这些差别分解为三项核心选择：如何为每个细胞定义邻域（例如，通过在相近细胞之间画边或使用固定距离）、如何计数邻居（将A–B配对视为与B–A相同，或区分从A到B与从B到A的方向性）、以及如何将这些计数转化为最终评分（简单归一化计数、基于置换的统计或机器学习度量）。这一通用框架允许对方法进行公平的并列比较。

在虚拟组织中测试邻居方法

为了评估不同方法的表现，研究团队首先使用计算机生成的组织，其中真实的邻居关系事先已知。他们创建了几种简单情形：某种细胞类型没有特殊偏好、轻度偏好同类或强烈聚集成簇。他们还模拟了有方向性的情形：一种细胞类型更倾向于靠近另一种，但反方向并不成立。利用这些虚拟组织，作者把相同的数据输入若干常用工具，进而问：每种方法能否可靠地区分这些情形，并正确识别哪些细胞类型在寻求哪种邻居？

为何方向性和微妙差异难以捕捉

比较显示，几乎所有方法都能检测到组织结构中的大幅、明显差异。然而，存在两个主要弱点。首先，一些工具将输出压缩为粗略的三级评分（例如“低于随机”、“无差异”或“高于随机”），这使得难以把弱的邻居偏好与强的偏好区分开来。其次，许多方法对给定类型的所有细胞平均邻居计数，而不管某个特定细胞是否曾遇到过另一种类型。这种“总体平均”往往会模糊方向性，使得从A到B的关系看起来与从B到A相似，即便真实情况下只有一个方向表现出偏好。因此，现有工具可能低估甚至颠倒细胞浸润的方向性，尤其当一种细胞类型稀少而另一种丰富时更易发生。

一种新的方向性邻居评分方法

为了解决这些问题，作者提出了一种称为条件z分数（conditional z-score，简称COZI）的新评分方案。COZI 保留将观测到的邻居计数与组织的多种随机化版本进行比较的思路，但改变了计数的平均方式：仅考虑那些类型A中确实至少接触到一种类型B的细胞。这种“有条件”的聚焦对于恢复方向性至关重要。然后，COZI 将结果转换为连续的z分数，以反映观测模式相对于随机期望的偏离程度。为便于解释，作者还引入了一个配套度量——条件细胞比（conditional cell ratio，CCR），它简单地报告参与A–B邻域的A型细胞所占的比例。z分数和CCR结合起来，不仅揭示空间关系的强度，还能表明这种关系是由少数专门化细胞驱动，还是由广泛的组织结构变化所致。

对癌症和心脏病的意义

研究团队随后将COZI与其他方法应用于两个真实数据集。在一项三阴性乳腺癌研究中，既有工作依据免疫细胞与肿瘤细胞的相互混合程度将肿瘤分为“冷型”“混合型”和“分区型”。COZI 不仅重现了这些分组，还发现了方向性模式：例如，在某些肿瘤中，免疫细胞倾向于在自身内部聚集，而一部分肿瘤细胞伸入这些空隙；而在另一些肿瘤中，免疫细胞则向肿瘤区域浸润。在心梗小鼠模型中，COZI 描绘了嗜中性粒细胞和单核细胞如何逐步进入受损心肌——先通过心室内层，再深入受伤区域。重要的是，它将细胞数量的全局变化与谁与谁成为邻居以及方向性的真实改变区分开来。

结论要点

这项研究表明，用于解读细胞邻域的工具并非等同，微小的算法选择会显著影响生物学结论。通过阐明现有方法的工作机制并引入 COZI 及条件细胞比，作者为在空间组织数据中选择和解释邻居分析提供了路线图。对于非专业读者，关键思想是：理解组织“城市”中谁与谁相邻——以及谁正进入谁的领地——可以揭示疾病的早期迹象、治疗反应和有针对性的治疗路径，前提是这些模式使用合适的方法进行测量。

引用: Schiller, C., Ibarra-Arellano, M.A., Bestak, K. et al. Comparison and optimization of cellular neighbor preference methods for quantitative tissue analysis. Nat Commun 17, 3514 (2026). https://doi.org/10.1038/s41467-026-71699-z

关键词: 空间组学, 细胞邻域, 肿瘤微环境, 免疫细胞浸润, 计算病理学