Nat Commun | 席瑞斌团队开发空间转录组CNA检测新方法，实现高精度空间感知与克隆演化重建

空间转录组（ST）技术可在保留组织空间位置信息的同时解析基因表达，对肿瘤异质性、微环境空间组织及演化研究具有重要价值。拷贝数变异（CNA）作为驱动肿瘤演化和异质性的关键基因组事件，是区分恶性细胞群体、表征瘤内遗传多样性的重要标志物。由于数据固有噪声和稀疏性、单位点捕获多细胞导致CNA信号稀释，以及空间多模态信息整合不足等，从ST数据中精准检测CNA仍面临诸多挑战。现有方法或直接套用单细胞工具，忽略空间连续性特征；或需预设克隆数、仅支持克隆水平分析，难以满足高精度、高分辨率的研究需求。同时，三维空间转录组技术的兴起，也对跨切片空间整合分析提出新要求。因此，目前亟需一种能够整合空间信息、增强微弱信号、并适用于二维及三维数据的CNA检测新方法。

为解决上述难题，北京大学席瑞斌教授团队及其合作者开发了SpaCNA计算分析框架，通过整合ST多模态信息，实现稳健可靠的CNA检测。SpaCNA通过聚合具有相似形态特征的邻近点位表达信号，结合隐马尔可夫随机场模型建模空间连续性，显著提升CNA检测准确性；针对三维ST数据，可重建跨切片连续的三维CNA图谱。基准测试显示，该方法在模拟和真实癌症数据中均取得优异性能，CNA检测和肿瘤区域识别的F1分数达0.95；在乳腺癌、结直肠癌等实际应用中，SpaCNA能够精准勾勒肿瘤边界，解析具有微环境上下文依赖相互作用的空间异质性肿瘤亚克隆，并揭示了头颈部鳞状细胞癌不同亚克隆的三维演化轨迹及关键CNA事件。总之，SpaCNA为瘤内异质性解析与空间肿瘤生物学研究提供了有力支撑。相关内容以“Spatial-aware detection of copy number alterations from spatial transcriptomics using SpaCNA”为题发表在Nature Communications。

SpaCNA以基因-位点表达矩阵、位点坐标与H&E染色图像为输入，通过三大模块完成CNA检测与下游分析。第一，基因表达增强模块，结合邻近位点和染色体邻近基因对基因表达进行平滑处理，利用动态线性模型与基于H&E图像、空间坐标构建的图结构完成邻域平均，在三维数据中还能跨切片识别邻近位点，可有效降低数据噪声与稀疏性。第二，染色体分割模块，将基因水平表达聚合至bin水平，并以非肿瘤细胞为基线估算拷贝数比率，通过 BIC-seq算法联合推断所有位点的染色体断裂点。第三，拷贝数状态推断模块，基于点位邻接图构建隐马尔可夫随机场模型（HMRF），以连续拷贝数比率为观测值、离散拷贝数状态为隐变量，迭代优化似然函数，输出各片段拷贝数状态。

研究团队还开发了一套下游分析模块，如提供热图可视化工具用于识别频发CNA，构建回归模型评估各位点恶性程度，定义边界熵评分量化相邻位点间的CNA差异，同时支持三维样本分析，可识别具有复杂空间结构的连续性肿瘤亚克隆。

图1. SpaCNA概述

研究团队通过模拟高纯度肿瘤组织与肿瘤-正常细胞混合组织两种场景，系统评估了SpaCNA性能并与其它方法进行比较。结果显示，在高纯度组织场景中，SpaCNA精确度为0.86-0.94、召回率为0.95-0.98，F1分数稳健；相比之下，CopyKAT、inferCNV等在高缺失率或低肿瘤纯度条件下性能显著下降。在混合组织场景中，所有方法召回率均因CNA信号稀释而下降，但SpaCNA精确度仍稳定在0.83-0.93，显著高于其他方法。此外，SpaCNA在亚克隆聚类准确性上同样表现优异，且对超参数选择具有鲁棒性；即使不依赖H&E图像信息，其CNA检测精度仍保持较高水平。在三维数据模拟中，SpaCNA也显著优于现有方法。

图2. SpaCNA在模拟实验中的表现

接下来，研究团队评估了SpaCNA在各种真实肿瘤数据集上的性能，并与多种主流方法进行对比。在具有ST和全外显子测序（WES）数据的肝癌队列中，SpaCNA表现最优，F1分数为0.45-0.74，在72%数据集中精确度或召回率位居第一，其余数据集中第二。在乳腺癌、结直肠癌及肝癌数据中，SpaCNA肿瘤区域识别的AUC整体最高，恶性评分与真实肿瘤比例相关性也最强，稳定性和准确度远超其他方法。病理标注对照显示，其他方法常出现误判肿瘤区域或漏检条带状肿瘤结构，而SpaCNA与病理专家标注高度一致。

在具有SNP信息的前列腺数据集，与等位基因特异性方法CalicoST相比，SpaCNA在检测总拷贝数变化方面具有独特优势，不仅能够精准检测已报告的CNA事件，还能实现更精细的亚克隆划分，校正原有克隆划分不足；同时可检出CalicoST因SNP稀疏而漏检的真实CNA事件。

图3. SpaCNA在真实数据集上的表现

为进一步验证SpaCNA的实用性，研究团队将其应用于乳腺导管癌和结直肠癌样本中。在乳腺癌样本中，SpaCNA成功划分肿瘤核心区与边界区；发现边界区域细胞周期活性显著增强，E2F、G2M检查点通路高度激活，且肿瘤细胞与血管周围样细胞也显著增多，这提示肿瘤边界是增殖与侵袭的关键区域。在结直肠癌样本CRC3中，SpaCNA识别出两个空间分离、CNA谱差异显著的亚克隆S1与S2。其中，S2亚克隆具有更高恶性程度、富集CMS2亚型细胞，并存在chr8q扩增（包括MYC、SQLE基因），导致MYC靶通路激活和胆固醇代谢增强，同时T/B细胞相对缺乏，形成免疫抑制微环境，呈免疫隔离状态。而S1亚克隆边界区免疫细胞浸润丰富、边界模糊，呈免疫活跃状态。

此外，多切片分析显示，chr1p、chr8q、chr20q等多个染色体片段与肿瘤细胞丰度密切相关，chr20q扩增是与结直肠癌进展和不良预后相关的关键事件。

图4. SpaCNA 揭示了肿瘤的结构特征

研究团队将SpaCNA应用于头颈部鳞状细胞癌的三维ST数据集（包含19张连续切片），通过构建跨切片邻接图，实现三维空间连续CNA检测。结果显示，肿瘤组织可划分为三个空间连续的亚克隆S1、S2和S3，在下层切片相连、上层切片分支分离；各切片同一亚克隆检出CNA图谱高度一致。研究团队鉴定出三个克隆共有的拷贝数变异区域，包含EGFR、CCND1、CTTN等肿瘤关键基因，并识别出克隆特异性拷贝数变异，进而揭示了S2→S3→S1的演化轨迹。S1、S2相关性最低，S3处于中间过渡状态。

通路分析显示，S1的MYC致癌通路活性最强、P53抑癌通路活性最弱，表明演化程度更高；S1和S3中PI3K-AKT-mTORC1等通路更活跃。过渡克隆S3既共享S2的CAF富集微环境和免疫排斥特征，又与S1共享chr14扩增导致的ARF6过表达及PI3K-AKT激活，又表现为SPP1+巨噬细胞富集、缺氧评分升高等独特表型。S1特有chr3q扩增（包含PIK3CA和PODXL2等基因），该事件与EGFR靶向治疗耐药及不良预后显著相关。

图5. SpaCNA应用于3D ST数据集

综上所述，SpaCNA作为首个面向ST数据的空间感知型CNA检测工具，突破了传统方法忽略空间信息、分辨率不足、无法适配三维数据的局限。该方法可精准识别肿瘤边界、亚克隆空间结构及演化轨迹，为刻画肿瘤内部异质性、解析微环境互作提供核心技术支撑，具有广泛的适用性。从临床价值来看，SpaCNA可辅助肿瘤边界界定、预测复发风险与靶向治疗耐药性，三维分析能力更能全面揭示肿瘤进展与转移规律，为空间多组学驱动的肿瘤精准诊疗提供全新研究范式。

参考文献：

https://www.nature.com/articles/s41467-026-72284-0

01

02

03

04

05

快点亮"在看”吧！