以解牛之法析生信观微雀之形览科研。乔粒说今天我们来阅读一篇文献从生信分析的角度看文章的思路分析流水线——RCTD反卷积 → 无监督聚类 → 生态位识别 → 配体-受体分析 → 通路富集 → 生存分析 → 免疫治疗预测每一步都可以复用到自己的空间转录组数据上。文献解读英文标题 Pan-cancer analysis of spatial transcriptomics reveals heterogeneous tumor spatial microenvironment中文标题 空间转录组学的泛癌分析揭示异质性肿瘤空间微环境DOI 10.1016/j.xcrm.2026.102751发表时间2026年5月19日发表期刊 Cell Reports Medicine影响因子IF 14.0作者拿了12种癌症、373个样本的10× Visium空间转录组公开数据把肿瘤微环境里的细胞站队模式系统性地扒了一遍——发现了13种反复出现的生态位你可以理解成肿瘤里的不同社区最关键的发现是巨噬细胞站在肿瘤细胞旁边 vs 站在免疫细胞旁边病人的生存期和免疫治疗效果完全不一样。为什么这篇发在了 Cell 子刊三个理由样本量和跨癌种覆盖面是同类研究里最大的。12种癌症、373个样本、将近100万个spots——这个规模在空间转录组领域目前排第一梯队。分析框架很完整。不是只做一个分析而是从单个spot到局部细胞程序到生态位到临床关联四层架构层层递进逻辑非常清晰。发现了一个有强临床转化潜力的标志物巨噬细胞的空间位置。这个发现被多重蛋白成像独立技术平台二次验证了不是偶然。研究结论泛癌空间分析识别出13个反复出现的肿瘤空间微环境生态位覆盖12种癌症类型配体-受体互作具有高度生态位特异性不同生态位有不同的细胞通讯模式细胞类型的基因表达依赖其所在的空间生态位——巨噬细胞在免疫共定位区Niche_11呈现免疫激活特征在肿瘤共定位区Niche_4呈现免疫抑制特征与肿瘤细胞共定位的巨噬细胞生态位Niche_4与不良预后和免疫治疗耐药显著相关而与免疫细胞共定位的巨噬细胞生态位Niche_11预测更好的生存和治疗反应巨噬细胞的空间分布可通过多重蛋白成像技术独立验证具有潜在的生物标志物价值研究结果图1泛癌空间转录组数据全景这张图展示了什么这篇文章到底分析了哪些数据——12种癌症类型、373个样本、近100万个spots。图中用UMAP展示了不同癌种、不同组织类型正常/肿瘤/基质的spot分布。核心信息不同癌种的空间转录组数据在降维空间中呈现明显的癌种特异性分布说明每种癌症的肿瘤微环境有独特的空间指纹。但对于后续分析来说跨癌种共享的空间模式才是重点。为什么这张图重要它告诉审稿人和读者——“我不是只分析了一种癌我做的是真正的泛癌研究”。这是建立研究可信度的第一步。图256个局部细胞程序LCPs的鉴定与空间特征这张图展示了什么在恶性区室和基质区室里分别用无监督聚类识别出的LCPs。上半部分是恶性LCPs28个下半部分是基质LCPs28个。颜色代表不同LCP类型。关键发现MLCP_Tumor纯肿瘤细胞程序是最主要的恶性LCP但在不同癌种中占比差异巨大SLCP_Fibro成纤维细胞程序是占比最高的基质LCP巨噬细胞出现在至少三个不同的SLCPs中暗示巨噬细胞在肿瘤微环境中的生态位不止一种——这是后续生态位分析的核心切入点收藏点LCP的本质就是将细胞组成相似的spot归为一类。如果你做的是空间转录组建议在UMAP之前先想清楚你聚类的是细胞单细胞分析还是spot空间分析这是两个完全不同的概念。图313个共识空间生态位这张图展示了什么把所有LCP进一步汇总识别出13个跨癌种反复出现的共识生态位。热图展示了每个生态位的细胞组成特征右侧是生态位的空间分布示意。收藏点这个13生态位框架是整篇文章的骨架——后面的LR分析、基因表达分析、临床关联分析全都基于这个框架展开。如果你分析自己的空间转录组数据识别出有生物学意义的生态位是核心步骤可以用BayesSpace、STAGATE等工具做空间域识别。图4生态位内的配体-受体互作网络这张图展示了什么跨样本荟萃分析识别出的生态位共享和生态位特异性LR互作。左侧热图展示了不同生态位中富集的LR通路右侧是具体的LR对示例。关键发现EPHA、NECTIN通路只在Niche_1中富集——这是肿瘤细胞之间的通讯方式NOTCH通路在含内皮细胞的生态位Niche_2/7中富集——与血管生成相关COMPLEMENT、MHC-II、ICAM通路在免疫相关生态位Niche_10-13中富集趋化因子网络高度生态位特异CXCL9-CXCR3、CCL19-CCR7集中于Niche_11/13免疫活跃区IL1B-IL1R2仅在Niche_4中发现收藏点LR的分析方法在技术上不复杂——CellChat、NicheNet、COMMOT等工具都能做。但这里的亮点是荟萃分析的设计各样本独立算、用秩次法合并避免了不同样本LR分数分布差异导致的假阳性。这个方法学细节可以直接借鉴。图5细胞类型基因表达的空间依赖性这张图展示了什么同一种细胞放在不同生态位里基因表达完全不一样。上排是肿瘤细胞在不同生态位中的差异基因下排是巨噬细胞在不同生态位中的差异基因。肿瘤细胞的关键发现在免疫浸润区Niche_5/6高表达干扰素响应基因如CFB——可能被免疫细胞教育了在成纤维共定位区Niche_3高表达上皮间质转化相关基因如LAMC2——转移潜能更强在巨噬细胞共定位区Niche_4高表达细胞衰老相关基因如LCN2——这解释了为什么巨噬细胞会被招募过来巨噬细胞的关键发现在Niche_11免疫共定位高表达LYZ、HLA-DQA1、CD74→ “免疫激活型”在Niche_4肿瘤共定位高表达SPP1、RNASE1→ “免疫抑制型”收藏点如果做scRNA-seq分析时发现某类细胞异质性很大可以试试加入空间维度去解释——很多细胞异质性其实不是内在的而是被微环境塑造的。分析方法上C-SIDEspacexr包和Giotto都支持空间条件下的差异表达。图6生态位 → 生存期 → 免疫治疗反应这张图展示了什么把13个生态位的特征映射到TCGA5,162人和免疫治疗队列776人的bulk RNA-seq数据上看哪些跟生存期/治疗效果相关。多重蛋白成像独立验证在肺癌、肝癌、乳腺癌的独立队列中用多重蛋白染色把巨噬细胞按靠近T细胞 vs 靠近肿瘤细胞分成了两群。结果是——靠近T细胞的巨噬细胞比例高的患者生存期最长靠近肿瘤细胞的巨噬细胞比例高的患者生存期最短。收藏点从空间转录组发现特征 → bulk RNA-seq验证 → 蛋白水平独立验证这一条链路非常标准也非常有说服力。如果你也想把空间分析的结果翻译到更方便的bulk层面可以用DWLS、CIBERSORTx等反卷积工具从bulk数据中推测空间生态位的丰度。点评乔粒说这篇最值得学习的地方把一套标准化的生信分析流程在12种癌症上统一跑一遍发现了真的跨癌种通用的空间模式。工具都不是新工具——RCTD是2021年的、Seurat更老——但组合方式和验证策略让它的结论很抗打。如果你是做空间转录组的建议把这篇的文章框架拿去套——数据下载 → RCTD反卷积 → 组织分区 → 聚类LCP → 生态位 → 临床关联。如果再做一步配体-受体分析和C-SIDE差异表达工作量已经足够了。以解牛之法析生信观微雀之形览科研。今天的文献分享就到这里啦欢迎批评指正