HarveST 使用异构图学习框架揭示空间转录组学模式

看到基因在组织内部的作用位置

我们的身体由各类细胞邻域构成，每个邻域承担不同功能，从大脑的思维到免疫系统对肿瘤的应答。一个日益成熟的技术——空间转录组学，使科学家能够绘制出组织切片上不同位点的基因表达图谱。但要将这些原始图谱转化为清晰、有意义的区域划分和关键基因列表仍然具有挑战性。本研究提出了一种新的计算方法 HarveST，帮助研究者在复杂器官和肿瘤中更清晰地识别组织结构及其关键基因。

为何绘制细胞邻域如此困难

在组织中，相邻细胞常作为功能性群体协同工作，例如大脑的各层或肿瘤周围的不同区域。空间转录组学在组织上成千上万个小点位测量基因活动，并记录其精确位置。现有计算工具试图将这些点位分组为共享相似基因活动且空间上接近的空间域。许多方法要么忽视空间位置信息，要么假定相邻点位必须属于同一区域。这可能模糊重要边界、遗漏稀有细胞簇，并无法将每个区域与真正定义它的基因关联起来。

将空间与基因连接的新方法

HarveST 通过将每个数据集转换为同时连接组织点位与基因的丰富网络来解决这些问题

为每个区域找到恰当的基因

除了绘制组织区域地图外，HarveST 还旨在找出使每个区域独特的标志基因。方法不逐一孤立地检验每个基因，而是从所选区域内的点位发起“随机游走”，让信号在网络中扩散

HarveST 在大脑与肿瘤中揭示的内容

为测试 HarveST，研究团队将其应用于人类大脑、乳腺癌、胰腺癌和小鼠嗅球样本，这些样本在若干空间转录组平台上测量。在人类前额叶皮层中，HarveST 比十四种竞争方法更准确地恢复了经典的六层皮质结构及白质，在一系列聚类和边界评估指标上得分更高。在高分辨率的小鼠嗅球数据中，它通过区分薄且紧密排列的层次脱颖而出——这些层次常被其他工具混合在一起。在乳腺癌和胰腺癌中，HarveST 更好地区分了肿瘤边缘、正常区域和侵袭性癌区，并将其与已知的肿瘤标志、免疫相关和组织重塑相关基因相联系，同时还指出了额外的、合理的候选基因。

跨切片一致的地图

真实组织是三维的，但空间转录组学通常测量的是薄的二维切片。HarveST 能通过构建一个共享网络来联合分析若干连续切片，该网络既尊重每片的内部布局，又连接切片间相似的区域。在配对的人类大脑切片中，这种联合分析改进了切片间的对齐，产生了从一段切片平滑延伸到下一段的连续皮质层。这表明 HarveST 有助于从标准实验中重建更忠实的组织三维结构视图。

对未来生物医学研究的意义

总之，HarveST 提供了一种统一方法，从原始的空间基因图到清晰的组织区域及其关键基因，同时兼顾空间结构和分子关系。对于非专业读者来说，这意味着科学家能够得到器官与肿瘤内部基因活动的更清晰“天气图”，以及更可靠的基因名单以解释不同区域间的差异。随着空间技术的发展，像 HarveST 这样的方案可能成为理解健康组织如何组织、疾病如癌症如何重塑这种组织结构、以及在哪里可以发现新的诊断标志或治疗靶点的核心工具。

引用: Feng, J., Yu, T. & Zhang, Y. HarveST uses a heterogeneous graph learning framework to reveal spatial transcriptomics patterns. Commun Biol 9, 681 (2026). https://doi.org/10.1038/s42003-026-09841-2

关键词: 空间转录组学, 组织结构, 图学习, 癌症微环境, 标志基因