美国芝加哥大学研究人员近日开发出一套新型分析工具，通过将复杂系统科学中的涌现行为原理应用于空间转录组数据，实现了对不同肿瘤微环境结构的定量比较，并在非小细胞肺癌患者中展示出优于现有生物标志物的免疫治疗响应预测能力。相关成果已发表于《细胞报告医学》。

空间转录组学是一种可同时揭示组织中基因表达状态及其空间位置的强大技术，对于研究肿瘤微环境尤为重要——每个肿瘤都拥有影响其行为的独特微环境。然而，由于涉及海量数据，此前难以对不同肿瘤微环境的数据进行比较，也难以基于肿瘤组成预测其发展走向。

论文通讯作者、芝加哥大学病理学助理教授Arjun Raman博士是一位系统生物学家，长期研究微生物群落和蛋白质网络等复杂系统的行为规律。他将肿瘤微环境的理解比作研究鸟群："如果你观察一群鸟，每只鸟都有各自的行为，但汇聚成整个鸟群后就产生了集体行为。在这里，鸟变成了细胞，鸟群变成了整个肿瘤活检样本。我们发现可以将肿瘤描述为一个类似鸟群的系统——所有细胞相互交流，形成亚单元，亚单元再相互作用形成更高层次的单元，如此逐级涌现，直至形成完整的活检样本。"

研究团队应用这一涌现复杂性原理，对已发表的262个实体瘤的空间转录组数据进行分析，开发出描述肿瘤细胞及其基因活性在微环境中如何组织排布的统计模型。他们将每个肿瘤的空间组织结构比喻为一张"平面图"，特定细胞及其基因活性聚集于不同的"房间"——研究团队将这些空间功能单元称为"空间组"。

这些平面图提供了一种共同语言，使团队得以利用新型AI工具对不同肿瘤进行量化比较。Raman表示："在此之前，没有办法比较两张平面图，每张图中的数据量如此庞大，根本无法清晰地界定哪些相似、哪些不同。现在我们有了评估两张平面图之间距离的工具，可以计算它们之间的距离指标，判断相似程度。"

研究团队与芝加哥大学肺癌专家Marina Garassino教授合作，获取了16名非小细胞肺癌患者的肿瘤样本及其免疫治疗响应临床数据。结合逾200个其他肿瘤的数据，研究发现肿瘤普遍共享一种由空间组构成的刻板化层级结构。通过在空间组层面——而非细胞群或基因层面——对肿瘤进行比较，团队构建出一个比较性"潜在空间"——一种在AI框架中根据统计相似性对对象进行远近排布的空间——其对非小细胞肺癌患者免疫治疗响应的预测准确性优于现行标准生物标志物。

Raman表示，这些工具适用于任何类型的肿瘤，目前正与芝加哥大学妇产科教授Kunle Odunsi合作，将这一方法应用于卵巢癌及其化疗响应的研究。他还希望利用这些方法生成合成空间类别，为其他研究人员提供不同肿瘤类型的标准化模板。

"作为一名肿瘤科医生，这类工具将极大地提升你的能力。一位患者带着他独一无二的肿瘤前来就诊，对其进行图谱分析，将数据输入比较空间，数小时内就能看出他是否应该接受某种治疗方案。这将是有一天实现的梦想——精准肿瘤学不再只是一个承诺，而是成为计算理论、医学和生物学交叉融合的现实。"

参考文献：Vivek Behera et al, Pan-tumor spatial transcriptomics reveals conserved properties of tumor organization, Cell Reports Medicine (2026). DOI: 10.1016/j.xcrm.2026.103013

编辑：王洪

排版：李丽