CellNEST：基于空间转录组和注意力机制揭示细胞间中继通讯网络的创新方法

细胞间的"对话"异常如何导致疾病？这个困扰科学界多年的难题因技术限制始终未能完全破解。传统单细胞RNA测序(scRNA-seq)虽能解析单个细胞的基因表达，却因组织解离过程丢失了空间位置信息；而新兴的空间转录组技术虽保留空间信息，但现有分析方法如CellChat、NICHES等只能识别孤立的配体-受体(ligand-receptor)相互作用，无法捕捉细胞间复杂的中继网络(relay network)通讯模式。更棘手的是，这些方法在单细胞分辨率下假阳性率高，且难以区分自分泌、旁分泌等不同距离的通讯类型。面对这些挑战，Gregory W. Schwartz团队开发了革命性的CellNEST模型。

这项发表在《Nature Methods》的研究，由多伦多大学等机构合作完成。研究者创新性地将图注意力网络(Graph Attention Network, GAT)与深度图信息最大化(Deep Graph Infomax, DGI)相结合，构建了首个能同时解析单细胞分辨率通讯模式和空间组织特征的算法框架。CellNEST不仅能识别传统配体-受体对，更重要的是发现了细胞间信号"接力传递"的中继网络模式——即一个细胞通过配体A激活相邻细胞的受体B，后者继而分泌配体C激活第三个细胞的受体D，形成级联通讯链。

关键技术包括：1)基于Visium、MERFISH和Visium HD等多平台空间转录组数据构建细胞邻域关系图；2)采用无监督对比学习训练GAT模型，通过注意力机制量化通讯强度；3)整合STRING蛋白互作和DoRothEA转录因子数据库验证中继网络；4)建立包含12,605个配体-受体对的基准数据库；5)开发交互式可视化工具CellNEST-Interactive。

在人类淋巴结研究中，CellNEST精准定位了T细胞归巢信号CCL19-CCR7和CCL21-CXCR4到T细胞区，其检测灵敏度显著优于COMMOT等7种现有方法。密度分析显示，虽然CCL19-CCR7的共表达评分不高，但其注意力评分位列前2%，证实模型能突破表达量限制识别关键模式。更令人振奋的是，研究者首次发现这两个信号形成高频的两跳(two-hop)中继网络，其中约60%参与者为T细胞，与已知的协同调控机制高度吻合。

应用至小鼠下丘脑数据时，CellNEST在单细胞分辨率下捕捉到兴奋性神经元与微胶质细胞间的催产素(Oxt-Oxtr)通讯，该信号与母性行为密切相关。三维分析还揭示了跨切片特有的Adcyap1-Mc4r能量代谢信号，凸显了维度扩展的价值。在肺腺癌(LUAD)样本中，模型不仅重现了TGFβ等已知肿瘤信号，还发现载脂蛋白E(APOE)-SDC1是最高频的CCC对，其空间分布与肿瘤区域高度重叠，基因集富集分析显示该区域E2F转录因子通路显著激活(NES=5.73)。

最具临床意义的发现来自胰腺导管腺癌(PDAC)研究。通过对两名患者(76岁男性和83岁女性)的Visium数据分析，CellNEST在经典亚型区域特异性检测到PLXNB2-MET/MSTIR信号，而在基底样亚型区富集ANXA1-EGFR信号。类器官实验证实MET在经典亚型中表达显著升高(P=3.18×10^-2
)，与患者生存数据一致。更值得注意的是，研究者发现纤维连接蛋白(FN1)-RPSA→FN1-RPSA的自循环中继网络主导肿瘤微环境，该模式与胰腺星状细胞活化、纤维化形成密切相关。

讨论部分指出，CellNEST的创新性体现在三个方面：首先，突破传统单配体-受体检测局限，首次实现中继网络的可视化分析；其次，通过整合空间距离和多组学数据，将CCC检测精度提升至单细胞水平；最后，开源工具CellNEST-Interactive支持动态阈值调整和三维可视化。这些优势使其在PDAC亚型特异性治疗靶点发现、免疫微环境解析等领域展现出独特价值。未来随着空间多组学技术的发展，该方法有望整合蛋白质组和染色质可及性数据，为精准医学提供更强大的分析工具。