空间转录组识别恶性-边界-非恶性轴肿瘤空间微环境解析

作者，Evil Genius

科研进展

上海交通大学医学院上海市免疫学研究所叶幼琼研究员团队于2023年2月20日在Nature Communications上发表了题为《Reconstructing tumor spatial microenvironment along the malignant-boundary-nonmalignant axis》的研究论文。本研究开发了一种名为Cottrazm的肿瘤空间微环境解析工具,该工具结合了空间转录组数据、HE染色图像以及单细胞转录组数据,精确构建了肿瘤组织中恶性和非恶性区域之间的过渡边界区域,并通过反卷积方法分析了不同空间定位下的细胞组成,并在亚斑水平上重构了特定类型的基因表达谱。以结直肠癌和肝癌肿瘤样本为例展示该工具的应用,发现肿瘤边界区域聚集了特定类型的细胞亚群及其相互作用,并揭示了潜在的靶向治疗靶点,从而为临床靶向治疗肿瘤的空间微环境提供了新的策略

本研究聚焦于肿瘤微环境的空间重构在恶性-正常边界轴线上的应用（Nature Communications, Impact Factor: 16.6）

肿瘤微环境(TME)由多种常驻或浸润性宿主细胞（如恶性细胞、免疫细胞及基质细胞）与非细胞成分（如分泌因子、细胞外基质蛋白）构成，并对肿瘤的发生、进展及转移产生重要影响；同时这些因素与免疫检查点阻断(ICB)治疗反应密切相关。然而由于位置与组织的不同,TME其细胞组成及细胞间相互作用也会有所差异。肿瘤边界是一个位于实体瘤最外围的恶性细胞与非恶性细胞形成的生态位区域，在空间布局上彼此紧密相连,从而将这些不同的空间区域有机地连接在一起 。尽管细胞组成、细胞间相互作用及肿瘤边界的分子网络调控均对TME重塑具有深远影响,但目前对于肿瘤边界的定义仍然存在较大争议：它通常仅基于免疫组化(IHC)染色数据进行主观描述,而缺乏统一的标准或系统的方法来进行划分。目前还没有有效的实验手段或生物信息学工具来系统地划定肿瘤边界。以遗传变异和拷贝数变异(CNVs)为特征的肿瘤异质性;通过基于ST转录组数据计算不同区域的CNV评分能够有效反映恶性细胞的比例,从而有助于确定核心肿瘤区域 。

ST结合单细胞RNA测序（scRNA-seq）所具有的显著优势使得基因表达谱能够在组织内与二维空间信息实现无缝结合。相较于scRNA-seq分析中常用的聚类方法，在对基因表达、空间定位以及组织学信息进行综合评估时需要采取更加全面且综合性的策略。许多原位捕获技术如10X Genomics Visium主要依赖于直径为55-100µm的SPOT来记录6.5 × 6.5 mm范围内的mRNA位置分布。该技术允许在一个SPOT中容纳多个同质或异质细胞（每个斑点最多包含1-10个细胞），但这会导致混合SPOT中细胞身份区分困难的情况出现。用于ST分析的传统生物信息学工具通常会聚焦于图像分析、细胞类型鉴定、反卷积重建以及空间分布研究等议题，并未充分考虑细胞间作用关系及亚细胞层次的空间结构特征等关键因素。大多数基于scRNA-seq数据进行细胞类型鉴定的工具要么采用基于细胞类型映射的方法要么依赖于基于反卷积的技术来推断每个SPOT或位置的具体组成情况。目前普遍采用的基于scRNA-seq数据推断每个SPOT或位置细胞组成的方法未能充分考虑到SPOT形状特征及其在空间中的具体分布情况这可能导致对某些特定区域内部复杂结构的研究存在局限性

在此研究工作中我们开发了一个集成化的工具框架Cottrazm旨在构建基于10x Genomics Visium平台的空间转录组学模型以模拟肿瘤微环境中的肿瘤边界及其相关区域

Cottrazm通过识别连接恶性和非恶性细胞SPOT间的肿瘤边界（记为Cottrazm- boundarydefine）从而确定肿瘤核心区域的空间定位

随后我们根据形态学修正后的表达矩阵进行了聚类分析并结合肿瘤具有高染色体易位（high CNV）特征来确定肿瘤核心区域的具体SPOT位置

空间转录组学构建肿瘤边界微环境

核心功能:基于Cottrazm方法界定了恶性和非恶性肿瘤边界 (Cottrazm-BoundaryDefine)；随后结合scRNA-seq、空间转录组学数据及位置信息，并运用反卷积算法对各区域细胞组成进行了预测 (Cottrazm-SpatialDecon)；最终基于ST技术和scRNA-seq数据，在亚区域水平精确重构了特异性基因表达谱 (Cottrazm-SpatialRecon)。

针对Cottrazm-BoundaryDefine，进行了空间形态基因表达(SME)归一化算法，利用相邻信息(空间位置)和形态距离对ST数据的基因表达进行归一化，得到了形态调整后的空间转录组学表达矩阵 。然后，使用基于形态学调整表达矩阵的k近邻(KNN)算法对spot进行聚类，并根据免疫特征计算正常评分，获得正常组织内聚类的值 。恶性spot被认为具有最高的CNV评分，并且由最高比例的恶性细胞组成 。利用CNV评分在单细胞RNA-seq中分离恶性细胞和非恶性细胞，然后cotrazm通过intercnv鉴定拷贝数变异最大的cluster作为恶性spot的核心spot。Cottrazm在六边形格子上排列空间spot，计算点之间的曼哈顿距离，从而识别出肿瘤核心附近曼哈顿距离小于线性模型拟合半径的点。此外，根据到肿瘤质心的均匀流形近似和投影(UMAP)距离，利用六边形系统从恶性细胞的核心spot逐层推断，确定一个spot是恶性(Mal)斑点还是肿瘤边界(Bdy)斑点。当恶性spot的所有邻居都不是恶性时，外推过程结束，剩余的spot被标记为非恶性区域(nMal)，既不是Mal spot，也不是Bdy spot.

Delineating the tumor boundary

我们主要关心的是肿瘤边界的部分

我们来看看借助CNV的力量实现边界划分

 library(Seurat)

    
 library(magrittr)
    
 library(dplyr)
    
 library(Matrix)
    
 library(ggplot2)
    
 library(stringr)
    
 library(RColorBrewer)
    
 library(patchwork)
    
 library(ggtree)
    
 library(BiocGenerics)
    
 library(readr)
    
 library(rtracklayer)
    
 library(infercnv)
    
 library(phylogram)
    
 library(utils)
    
 library(dendextend)
    
 library(assertthat)
    
 library(reticulate)
    
 library(openxlsx)
    
 library(scatterpie)
    
 library(cowplot)
    
 library(stats)
    
 library(quadprog)
    
 library(data.table)
    
 library(Rfast)
    
 library(ggrepel)
    
 library(tibble)
    
 library(clusterProfiler)
    
 library(utils)
    
 library(org.Hs.eg.db)
    
    
    
    
    
![](https://ad.itadn.com/c/weblog/blog-img/images/2025-07-13/Rh1onmWS3vGIu4P7fLd9FzKMsC2A.png)

 #from local path

    
 devtools::install_github('Yelab2020/Cottrazm')
    
 #from github
    
 install.packages("Cottrazm.tar.gz", repos = NULL, type = "source")
    
 library(Cottrazm)

处理肿瘤数据,QC

 print('STPreProcess')

    
 InDir = paste(system.file("extdata/outs",package = "Cottrazm"),"/",sep = "")
    
 Sample = "CRC1"
    
 OutDir = paste(getwd(),"/",Sample,"/",sep = "")
    
 TumorST <-
    
   STPreProcess(
    
     InDir = InDir,
    
     OutDir = OutDir,
    
     Sample = Sample
    
     )
    
    
    
    
    
![](https://ad.itadn.com/c/weblog/blog-img/images/2025-07-13/JClQ4ZHmr8MD6IYxd1E3hUgS07wv.png)

形态学调整空转数据

 print('STModiCluster')

    
 res = 1.5
    
 TumorST <-
    
   STModiCluster(
    
     InDir = InDir,
    
     Sample = Sample,
    
     OutDir = OutDir,
    
     TumorST = TumorST,
    
     res = res
    
   )
    
    
    
    
    
![](https://ad.itadn.com/c/weblog/blog-img/images/2025-07-13/Scq8r13PD5yV7hCUxWb64EAKiNMJ.png)

CNV

 print('STCNV' )

    
 STInferCNV <-
    
   STCNV(
    
     TumorST = TumorST,
    
     OutDir  = OutDir,
    
     assay = "Spatial"
    
     )

 print('STCNVScore')

    
  
    
 TumorST <-
    
   STCNVScore(
    
     TumorST = TumorST,
    
     assay = "Spatial",
    
     Sample = Sample,
    
     OutDir = OutDir
    
     )

划分肿瘤边界

将CNV最高分定义为核心肿瘤spot

 TumorSTn <-

    
   BoundaryDefine(
    
     TumorST = TumorST,
    
     MalLabel = c(1,2),
    
     OutDir = OutDir,
    
     Sample = Sample
    
   )

划分绘图

 TumorST <-

    
   BoundaryPlot(
    
     TumorSTn = TumorSTn,
    
     TumorST = TumorST,
    
     OutDir = OutDir,
    
     Sample = Sample
    
   )

此外, 该文章也需要进一步的研究与探讨. 我们可以参考项目[ GitHub - Yelab2020/Cottrazm: Construct Tumor Transition Zone Microenvironment ]中的相关内容.

生活很好，有你更好