通过邻域到序列转换实现可扩展的空间多细胞模式发现

在拥挤组织中发现隐藏的秩序

现代显微镜现在可以捕捉组织切片中数百万个细胞的精确位置和分子构成。但仅凭肉眼识别重要的、反复出现的细胞排列几乎不可能。该研究引入了一种新的方法来扫描这些大规模图谱，自动发现使健康组织与疾病、恢复与衰老或不同器官区分开的、小而重复的“邻域”结构。

从细胞邻域到简单序列

作者提出了一个名为FDPMining的计算框架，将读取复杂组织的问题转换为更易处理的数据挖掘任务。该方法不再逐个细胞查看，而是在每个细胞周围构建一个小网格，记录每个相邻格子中出现的细胞类型。一种巧妙的“邻域到序列”策略随后将每个网格转换为一个唯一的数字列表，同时完全保留哪些细胞类型彼此相邻以及它们的位置。由于这种转换是无损且可逆的，计算机可以在这些列表中搜索反复出现的组合，然后将任何有趣的模式映射回组织中的原始位置。

寻找频繁且区别性的模式

一旦每个邻域都被编码，FDPMining就会搜索既常见又与特定条件密切相关的多细胞排列，例如某种疾病状态或特定解剖区域。该框架借鉴了市场购物篮分析的工具，在那里算法学习哪些产品经常被一起购买。在此情境中，“项”是网格中特定位置的细胞类型，“事务”是组织中的所有邻域。该方法识别在多数情况下重复出现但主要限于某一条件、在其他条件中很少见的模式。这些“频繁且区别性的模式”随后可以投影回组织切片，使研究者容易看到它们出现的位置以及它们可能属于的更大结构。

在多种组织上测试该方法

团队展示了FDPMining在多种空间组学技术和组织样本中均可工作，从人脑到小鼠胚胎。在模拟数据中，该方法捕捉到了其他工具错过的细胞层细微重排，证明它能识别局部组织结构的精细变化。在墨西哥钝口螈（axolotl）的大脑中，它揭示了随再生进展而变化的伤口激活神经元与不同神经元亚型之间的伙伴关系；在小鼠大脑中，它显示了特定寡突胶质细胞亚型随年龄的重组。在结直肠癌样本中，FDPMining区分出了结局更好的患者——其肿瘤中包含富含B细胞和辅助性T细胞的重复邻域——与那些肿瘤中以与更抑制性免疫环境相关的髓系细胞邻域为主的患者。

聚焦血管与斑块等标志性结构

作者还使用FDPMining对组织内的关键标志性结构进行聚焦。在小鼠肝脏中，他们按邻域与中央静脉或门脉静脉的距离对邻域进行标注，发现不同的肝细胞亚型和支持细胞在每种血管类型周围形成了具有特征性的模式，呼应了众所周知的肝分区概念。在阿尔茨海默病小鼠模型中，他们按邻域是否位于淀粉样斑块附近进行标注，揭示了在斑块周围重复出现的小胶质细胞、兴奋性神经元和其他胶质细胞的组合。这些以斑块为中心的模式与已知的“核与壳”排列相符，并在健康组织中大多缺失，强调了它们与疾病微环境的紧密关联。

这些隐藏模式为何重要

通过系统地扫描与特定条件或标志相关的重复细胞邻域，FDPMining为理解细胞在健康与疾病中如何协作提供了有力视角。它不仅勾勒出广泛的组织区域，还精准定位构成这些区域并在损伤、衰老、癌症或神经退行性疾病中发生变化的小型多细胞构建模块。对非专业读者而言，结论是细胞排列存在一种可被发现的“语法”，该方法帮助以大规模方式读取这一语法，为新的空间生物标志物和更丰富的生物学见解开启了道路。

引用: Zhao, F., Wang, S., Wang, Z. et al. Scalable discovery of spatial multicellular patterns via neighborhood-to-sequence transformation. Commun Biol 9, 725 (2026). https://doi.org/10.1038/s42003-026-09923-1

关键词: 空间组学, 细胞邻域, 组织微环境, 模式挖掘, 阿尔茨海默病