文章介绍

空间转录组学（Spatial Transcriptomics, ST）技术的快速发展使研究人员能够在组织原位获得基因表达谱与空间坐标信息，为理解细胞间相互作用、组织结构和疾病病理提供了前所未有的视角。然而，一个关键问题始终悬而未决：如何将空间分子模式系统性地转化为临床可决策的信息？ 临床表型如患者生存期、肿瘤分期或治疗响应通常来源于批量RNA测序（bulk RNA-seq）队列，这些数据缺乏空间分辨率；而ST数据虽然富含空间信息，却往往缺少对应的临床结局标签。此外，ST数据固有的稀疏性、噪声和平台依赖性，使得跨样本稳健建模困难重重。更关键的是，临床应用不仅要求预测性能，更要求生物可解释性——能够识别可干预的靶点或指导空间导向的干预策略。

为填补这一方法论空白，Bin Duan、Xiaojie Cheng及其合作者在Genome Medicine上发表了题为“SpaPheno: linking spatial transcriptomics to clinical phenotypes with interpretable machine learning”的研究论文，提出了一个名为SpaPheno的可解释机器学习框架，旨在将空间转录组数据与带临床注释的bulk RNA-seq数据相整合，识别可预测患者结局（包括生存、肿瘤分期和免疫治疗响应）的空间分辨生物标志物。

SpaPheno的核心设计理念在于构建一个细胞类型分辨率的共享特征空间，使空间数据和bulk数据能够在此空间中可比对、可建模。该框架不要求bulk RNA-seq数据与ST样本在空间上匹配，也不要求ST数据本身带有临床表型注释——只需同一疾病类型的bulk RNA-seq谱和对应的临床表型数据（如TCGA中广泛可得的生存和分期数据），这极大地拓宽了其适用范围。

SpaPheno的工作流程包含三个紧密衔接的模块。首先，利用cell2location将bulk RNA-seq和ST数据基于同一个单细胞参考数据集进行去卷积，得到细胞类型比例矩阵。对于ST数据，进一步采用研究者前期开发的**SPACE（spatially adjacent cell-type embedding）**框架，为每个空间点计算其空间邻域内的平均细胞类型组成，形成“空间感知的伪bulk”特征，有效编码了局部组织结构信息。

接着，SpaPheno在bulk数据上拟合**弹性网络回归（elastic net regression）**模型——对连续表型用线性回归，对二分类表型用逻辑回归，对生存数据用Cox比例风险回归——通过L1和L2混合正则化在高维相关特征中实现稀疏且稳定的变量选择。模型训练完成后，将学到的系数应用于ST的SPACE特征矩阵，为每个空间点计算“表型得分”，从而高亮显示与临床表型最相关的组织区域。

最后，SpaPheno集成SHAP（Shapley Additive Explanations）进行多层次解释：全局层面识别哪些细胞类型对表型贡献最大；局部层面为每个空间点分解各细胞类型的贡献值；通过残差分析进一步识别“生物热点”（贡献高于预期）和“保守区”（贡献低于预期），揭示非线性或上下文依赖的细胞类型-表型关系。研究者通过基于真实ST数据（osmFISH和STARmap）的模拟实验系统验证了SpaPheno的性能，并在原发性肝癌、肾透明细胞癌、乳腺癌和黑色素瘤四个癌种的真实数据中展示了其在生存预测、肿瘤分期关联和免疫治疗响应预测方面的应用价值。

算法原理介绍

SpaPheno的算法设计围绕“共享特征空间构建 → 稀疏监督建模 → 多层次归因解释”三阶段展开。

（一）共享特征空间构建：从基因到细胞类型 + 空间邻域。 原始ST和bulk数据在基因表达尺度上存在巨大差异（如基因数量、测序深度），直接比对不可行。SpaPheno的解决策略是：利用同一套单细胞参考数据集，通过cell2location将bulk和ST样本分别去卷积为细胞类型比例矩阵$X_{\text{bulk}}\in {\mathbb{R}}^{n\times p}$和$X_{\text{ST}}\in {\mathbb{R}}^{m\times p}$，其中$p$为细胞类型数。这统一了特征空间的“语义单元”——从“基因”转变为“细胞类型”，使得bulk和ST可在同一坐标系下比较。

对于ST数据，SpaPheno进一步引入SPACE嵌入：对每个spot $i$，取其空间半径$r$（spot数据）或$k$个最近邻（单细胞数据）内所有spot的细胞类型比例向量的均值，作为该spot的增强特征$x_i^{\text{ST}}=\frac{1}{|N(i)|}{\sum }_{j\in N(i)}{x}_j^{\text{deconv}}$。这相当于对每个spot进行了局部空间平滑，将“孤立的细胞类型组成”转化为“局部生态位的细胞类型组成”，既去除了单点噪声，又编码了组织结构信息。

（二）弹性网络回归：稀疏稳定的表型建模。 在bulk数据上，SpaPheno拟合弹性网络模型，其目标函数为：
$$\underset{\beta }{\min }\left\{\mathcal{L}(Y,X^{\text{bulk}}\beta )+\lambda \left[\alpha \Vert \beta {\Vert }_1+\frac{1}{2}(1-\alpha )\Vert \beta {\Vert }_2^2\right]\right\}$$
其中$\mathcal{L}$为损失函数（依表型类型选择），$\alpha$控制L1/L2比例，$\lambda$控制整体正则化强度。通过10折交叉验证在$\alpha \in [0.005,0.9]$网格中自动选择最优参数。模型拟合后，将系数$\hat{\beta }$应用于ST的SPACE特征，计算每个spot的表型得分${\text{Score}}_i=x_i^{\text{ST}}\times \hat{\beta }$，实现对空间区域的风险/响应排序。

（三）SHAP归因与残差分析：多尺度可解释性。 SHAP将每个spot的预测值分解为${\hat{y}}_i={\varphi }_0+{\sum }_{j=1}^p{\varphi }_{ij}$，其中${\varphi }_{ij}$为细胞类型$j$对spot $i$预测的贡献（正值驱动表型正向，负值驱动反向）。SpaPheno在此基础上增加残差分析：对每个细胞类型，拟合SHAP值与其丰度的线性关系$SHA{P}_i={\beta }_0+{\beta }_1\cdot {\text{Abundance}}_i+{ϵ}_i$，计算标准化残差$z_i=({ϵ}_i-{\mu }_{ϵ})/{\sigma }_{ϵ}$。$z_i>2$的spot为“生物热点”（表型贡献超出丰度预期），$z_i<-2$为“保守区”（贡献低于预期）。这揭示了传统线性归因无法捕捉的上下文依赖效应，例如某种细胞类型在特定空间位置表现出异常的强效应。

总结

SpaPheno是一个将空间转录组数据与带临床表型的bulk RNA-seq数据相整合的可解释机器学习框架，通过细胞类型去卷积和空间邻域嵌入构建共享特征空间，利用弹性网络回归实现从bulk到空间的可迁移表型预测，并通过SHAP和残差分析提供从全局到单点的多层次生物学解释。其核心优势在于：不要求空间数据自带临床标签，仅需同一疾病类型的公开bulk数据（如TCGA）即可运行，极大地拓展了适用范围。在肝癌、肾癌、乳腺癌和黑色素瘤中的验证表明，SpaPheno能识别与生存、分期和免疫治疗响应相关的空间区域（如三级淋巴结构、SPP1+巨噬细胞富集区等），并揭示传统分期无法捕获的生物学异质性。SpaPheno为将空间组学数据转化为临床可操作知识提供了一个通用、可解释且易用的工具。