埃默里大學（Emory University）的胡健團隊與得克薩斯大學MD Anderson腫瘤醫院的王凌華團隊在Nature Communications上發表論文METI: Deep profiling of tumor ecosystems by integrating cell morphology and spatial transcriptomics，介紹了一種新的空間轉錄組數據分析框架。胡健和王凌華擔任共同通訊作者，博士生蔣嘉匯是該論文的第一作者。
METI是一種機器學習方法，它通過整合空間基因表達數據和病理學組織學特征，系統性地分析腫瘤生態系統。該方法結合了從先驗知識中獲得的基因表達和細胞形態學特征，能夠準確識別并標注腫瘤細胞、免疫細胞及其亞群。如圖1所示，METI以空間轉錄組數據作為輸入，包括基因的空間表達矩陣、對應的H&E染色組織切片圖像，以及每個點位的X,Y坐標。它結合圖像分割和基因表達的方法識別細胞類型，并整合兩者結果以減少單一方法的誤差。
METI的分析框架包括四個遞進的模塊：模塊1能識別正常和癌前細胞，如胃中的杯狀細胞【1-3】；模塊2負責識別腫瘤細胞富集區域，并表征其細胞狀態的異質性；模塊3聚焦于T細胞，包括CD4+ 和CD8+ T細胞及其不同狀態，如調節性T細胞（Treg）和耗竭性T細胞（Tex）；模塊4專注于癌癥相關成纖維細胞（CAFs），并細分其亞型，包括myCAFs、iCAFs和apCAFs【4-8】。這些細胞在癌癥進展和治療耐受中起重要作用【9-11】。對每個模塊，METI都能生成特定細胞類型的圖像分割結果、基因表達圖、整體分布，以及細胞密度的3D空間可視化。
METI利用圖像形態學和基因表達的結合優勢在定位杯狀細胞的案例中得以展示。圖2a顯示了病理醫生對杯狀細胞的注釋，這些細胞主要富集在四個區域。通過基因表達分析，METI成功識別了與標注相符的杯狀細胞高表達區域1和2（圖2b和2c）。然而，區域3和4由于mRNA總體數量較低，未能通過基因表達直接識別（圖2d）。
METI采用圖像分割技術，并根據文獻報道的杯狀細胞的形態特征設置了多個過濾條件，如細胞面積和長寬比，以精準區分并保留這些細胞。圖2e展示了經過過濾后的杯狀細胞。METI將這些分割結果轉換為細胞富集注釋（圖2f），并將其與基因表達結果相結合（圖2g），最終成功捕捉到了區域4的杯狀細胞。這一成果展示了METI在綜合圖像和分子數據分析方面的高效能力。綜上所述， METI是一個整合圖像形態和基因表達從而尋找細胞類型區域的工具。隨著空間轉錄組在生物醫學研究中的日益普及，我們希望METI能對研究人員的大規模空間轉錄組數據分析提供幫助。AI in Genomics lab 正在招收機器學習和基因組學的方向的博士生和博士后，詳情請見https://jianhu-lab.org/。
軟件鏈接：https://github.com/Flashiness/METI
參考文獻
[1] Correa, P., M.B. Piazuelo, and K.T. Wilson, Pathology of gastric intestinal metaplasia: clinical implications. The American journal of gastroenterology, 2010. 105(3): p. 493.
[2] Leung, W. and J. Sung, Intestinal metaplasia and gastric carcinogenesis. Alimentary pharmacology & therapeutics, 2002. 16(7): p. 1209-1216.
[3] Jencks, D.S., et al., Overview of Current Concepts in Gastric Intestinal Metaplasia and Gastric Cancer. Gastroenterol Hepatol (N Y), 2018. 14(2): p. 92-101.
[4] Ohlund, D., et al., Distinct populations of inflammatory fibroblasts and myofibroblasts in pancreatic cancer. J Exp Med, 2017. 214(3): p. 579-596.
[5] Elyada, E., et al., Cross-Species Single-Cell Analysis of Pancreatic Ductal Adenocarcinoma Reveals Antigen-Presenting Cancer-Associated Fibroblasts. Cancer Discov, 2019. 9(8): p. 1102-1123.
[6] Hu, B., et al., Subpopulations of cancer-associated fibroblasts link the prognosis and metabolic features of pancreatic ductal adenocarcinoma. Ann Transl Med, 2022. 10(5): p. 262.
[7] Sahai, E., et al., A framework for advancing our understanding of cancer-associated fibroblasts. Nature Reviews Cancer, 2020. 20(3): p. 174-186.
[8] Geng, X., et al., Cancer-Associated Fibroblast (CAF) Heterogeneity and Targeting Therapy of CAFs in Pancreatic Cancer. Front Cell Dev Biol, 2021. 9: p. 655152.
[9] Saw, P.E., J. Chen, and E. Song, Targeting CAFs to overcome anticancer therapeutic resistance. Trends Cancer, 2022. 8(7): p. 527-555.
[10] Asif, P.J., et al., The role of cancer-associated fibroblasts in cancer invasion and metastasis. Cancers, 2021. 13(18): p. 4720.
[11] Feng, B., et al., Cancer-associated fibroblasts and resistance to anticancer therapies: Status, mechanisms, and countermeasures. Cancer Cell International, 2022. 22(1): p. 166.