图片来源：Marcin Klapczynski/盖蒂图片社
空间转录组学为癌症研究者提供了强有力的研究手段，不仅可明确肿瘤中激活基因的类型，还能定位基因活性的发生位置。但由于不同肿瘤微环境（tumor microenvironment, TME）在组成和功能上均存在异质性，不同肿瘤的空间转录组图谱很难进行跨样本比较。
芝加哥大学研究人员近日报道了一种可跨肿瘤类型比较此类空间图谱的分析框架。这项题为《泛肿瘤空间转录组学揭示肿瘤组织结构的保守特征》的研究发表于《细胞报告·医学》（Cell Reports Medicine），团队分析了262例实体瘤的空间转录组数据，发现肿瘤微环境可被划分为多种反复出现、具有层级结构的多细胞区域，研究人员将其命名为空间组（spatial groups, SGs）[注]。
[注] 本研究提出的肿瘤微环境层级多细胞结构单元
这些空间组可对应已被认知的生物学功能域，覆盖从全局组织背景到局部细胞邻域的不同层级。研究人员通过空间组对不同肿瘤进行比较时发现，区分肿瘤的核心维度是免疫生物学的空间异质性。在一项纳入16例接受免疫检查点阻断治疗的非小细胞肺癌（non-small cell lung cancer, NSCLC）患者的小型独立回顾性队列中，该分类体系可区分临床应答者与非应答者，同时可捕获与免疫治疗敏感性相关的特征。作者在文中指出：“综上，这些研究结果表明，空间组是肿瘤微环境中重要的组织结构域，可关联空间结构、生物学功能与治疗应答。”
这项研究解决了空间生物学的一个核心问题：如何在组织结构层面比较不同肿瘤。芝加哥大学病理学助理教授、本研究通讯作者Arjun Raman医学博士/哲学博士将这一挑战类比为理解鸟群行为：单个细胞有其各自的行为模式，但它们也会形成集体结构，进而影响肿瘤的整体行为。
Raman表示：“我们的研究发现，无需将肿瘤描述为大量细胞的简单集合，而是可以将其类比为鸟群：所有细胞之间存在相互作用，进而形成不同亚单元，亚单元之间进一步相互作用形成更高阶亚单元，以此类推，最终构成完整的活检样本。”
通过将这些亚单元定义为空间组，研究人员可利用统计学与机器学习框架比较不同肿瘤的“结构蓝图”。该方法将不同肿瘤映射到一个可比较的潜在空间[注]中，所有样本根据空间相似性进行排布。理论上，这可帮助研究者或临床医生判断新检测的肿瘤是否与此前已知的对特定治疗应答或耐药的肿瘤特征相符。
[注] 机器学习中用于特征比较的抽象低维空间
Raman表示，该研究的长期目标是将这类比较空间分析方法整合到精准肿瘤学临床实践中。他提到：“假设接诊了一名携带罕见特征肿瘤的患者，可先对肿瘤进行谱学分析，再将数据输入该比较空间，几小时内就能判断该患者是否适合接受某一治疗方案。”
目前，该治疗应答相关研究结果仍处于早期阶段。本次免疫治疗分析仅纳入了16例非小细胞肺癌病例，作者也将空间组定义为可能关联肿瘤结构、生物学功能与治疗应答的候选组织结构域。尽管如此，本研究表明，空间转录组学已超越仅生成精细肿瘤图谱的应用阶段，可提供用于肿瘤间比较的通用分析语言。