AI破译细胞之间的对话,提升疾病诊断准确率6%

多客科技

作者：微信文章
在生物医学领域，科学家们一直试图理解细胞如何通过空间位置和分子表达“交流”。传统单细胞技术（如流式细胞术）虽能分析细胞特性，却像听单音节单词——丢失了细胞间的“对话语境”。最新发表于预印平台的研究《Spatial Coordinates as a Cell Language》提出突破性框架 Spatial2Sentence，首次将细胞空间坐标转化为“语言”，让AI听懂细胞群体的完整故事。
一、为何要教AI理解细胞的“空间语言”？

传统单细胞分析存在两大瓶颈：

空间盲区：现有模型（如scGPT、C2S）仅分析基因/蛋白表达量（如CD4+ T细胞活化标志物CD25），却忽略细胞在组织中的物理位置。而肿瘤微环境中，免疫细胞与癌细胞的“贴身距离”直接影响免疫治疗效果。孤立分析：模型将每个细胞视为独立个体（如单独分析记忆T细胞或肿瘤细胞），无视细胞群体间的相互作用（如T细胞-B细胞协同活化）。这导致临床预测准确率受限——在糖尿病数据集上，现有模型细胞分类准确率仅36.37%。

二、如何将细胞坐标转化为“句子”？

Spatial2Sentence 核心技术分为三步：



Step 1：构建细胞“词汇表”

对每个细胞，按蛋白表达量从高到低排序蛋白名称（如"CD45RO>CD4>PD-1..."），形成基础句子（公式1-2）。输入数据：

蛋白表达矩阵  （N=细胞数, M=蛋白数）空间坐标矩阵 （每个细胞的x,y位置）

Step 2：计算细胞“亲疏关系”

表达相似性矩阵（公式3）：
使用余弦相似度量化细胞间分子特征相似性（如两个CD8+ T细胞的相似度＞CD8+ T细胞 vs 巨噬细胞）。
空间距离矩阵（公式5）：
通过欧氏距离计算细胞间物理距离（如相邻肿瘤细胞距离＜肿瘤细胞与远端免疫细胞）。

Step 3：生成“对比对话”

正面对话（阳性对）：
选择每个细胞在表达最相似（Top-K ）且空间最近邻（Top-K ） 的细胞，组合成多句子提示：



“细胞X句子：{蛋白排序}；邻居细胞句子：{相似细胞蛋白排序}；任务：预测细胞类型”



反面对话（阴性对）：
选择表达最不相似且空间最远的细胞（如肿瘤细胞 vs 远端中性粒细胞），生成对比提示：



“细胞X句子：{...}；差异细胞句子：{...}；任务：区分细胞类型”

三、空间信息让AI诊断能力飞跃

1、细胞分类准确率提升5.98%

在糖尿病数据集上：

Spatial2Sentence 细胞类型分类准确率达41.35%（vs scGPT的32.45%）临床状态（糖尿病vs健康）预测准确率64.12%，提升4.18%

在脑肿瘤数据集（胶质瘤vs脑转移）中：

成功捕捉脑转移灶中M1样巨噬细胞扩增现象，与临床发现一致：


“M1-like MDMs在脑转移患者中比例激增，与肿瘤免疫微环境重塑相关”

2、空间信息贡献量化

移除空间邻近句子 → 细胞分类准确率下降3.19%（脑肿瘤数据集）随机替换空间距离计算 → 准确率暴跌至48.12%（证明欧氏距离不可替代）

3、多任务学习优势显著
联合预测细胞类型和临床状态时：

糖尿病数据集：多任务比单任务细胞分类精度提升3.44%模型学会利用“β细胞减少+免疫细胞浸润”空间模式联合诊断糖尿病

这项技术已开源（GitHub: UNITES-Lab/Spatial2Sentence）。当AI不仅读懂细胞“单词”，更能理解它们的“空间对话”，人类距离解密疾病密码又近了一步。
参考文献：https://arxiv.org/abs/2506.01918

END

本文来自流式中文网(flowcyto.cn)

欢迎转发到朋友圈，但谢绝复制粘贴转载

如有需要请联系mail@flowcyto.cn