stClinic：左春满/陈洛南团队开发动态演变网络模型，集成空间多切片多组学数据解析临床相关微环境特性

在肿瘤微环境中，细胞类型间复杂且动态的共存与竞争关系构成了“生态位”（niche）网络，其在癌症的异质性、演化以及转移潜力中扮演着关键角色。研究表明，正是细胞间的互作关系，而非单一细胞状态，决定了肿瘤的临床特征与治疗响应。因此，深入解析具有临床价值的niche特征对于精准治疗至关重要。此前，左春满副教授（中山大学）与陈洛南教授（上海交通大学）团队已开发stMVC（Nat Commun, 2022）与stKeep（Nat Commun, 2024）等方法，探索niche中的分子互作与外部信号如何推动肿瘤进展。当前的关键挑战是如何整合患者的临床表型，进一步揭示niche对个体化疾病路径的影响？

2025年6月16日，Nature Communications在线发表了最新研究成果，题为“stClinic dissects clinically relevant niches by integrating spatial multi-slice multi-omics data in dynamic graphs”，提出stClinic——一种解析空间组学中与临床表型相关niche特性的深度学习方法。该方法以动态演化网络为框架，融合来自多个患者的空间多组学与临床信息，识别病人间共性与特异的niche，并量化其对临床表现的影响。

stClinic（图1）通过图注意力网络整合基因表达与空间邻接信息，将多患者空间组学嵌入至高斯混合（GMM）流形的共享特征空间，并结合切片特异解码器重构原始表达与邻接矩阵。为抑制噪声干扰，模型会迭代剪除跨GMM成分的细胞连接，动态聚合转录相似细胞信息，实现批次效应校正与生物学一致性建模。进一步，基于共享特征的UMAP空间，stClinic引入六种几何统计量，量化每位患者的niche存在、比例与分布特征，经注意力融合生成以niche为变量的患者特征向量，并通过线性映射模块实现niche与临床表型的可解释关联与预测。

图1: stClinic算法工作流程图

在对43例三阴性乳腺癌空间转录组数据的分析中（图2），stClinic首次引入生存期进行预后建模，识别出与细胞增殖迁移相关的高风险niche，以及富含B细胞/浆细胞、代表免疫激活的低风险niche。与低风险niche相比，高风险niche呈现更高水平的拷贝数变异，且两类niche的标志基因集在TCGA中表现出相反的生存预后趋势，提示其临床预后价值。

图2: stClinic识别出三阴性乳腺癌中与预后显著相关的niche特征

在24例原发性肠癌与肝转移癌的空间数据中（图3），stClinic识别出一个促使肠癌细胞适应正常肝组织的niche，富含SPP1⁺MTRNR2L2⁺髓系细胞与CAF，该niche的标志基因在TCGA中显著关联无病生存期，具有潜在转移指征意义。

图3: stClinic揭示与肠癌肝转移相关的niche特征

此外，研究人员还在乳腺癌数据中验证了stClinic的泛化能力：共享编码器可将未见样本零样本映射至参考空间，配合现有组学工具提升跨模态整合与标签迁移能力。

综上，stClinic提供了一个集成空间多组学与临床信息、预测关键niche特征的深度图学习框架，为精准识别与疾病进展关联的微环境模式、推动靶向干预策略落地提供了新支撑。

本研究由中山大学生命科学学院左春满副教授担任第一作者与共同通讯作者，上海交通大学数学科学学院/人工智能学院陈洛南教授为共同通讯作者。研究工作得到了东华大学夏俊杰与徐裕鹏硕士、南方科技大学徐鹰教授、复旦大学中山医院郜娉婷副研究员、第二军医大学长征医院张晶副教授、吉林大学王岩教授的协助与支持。

原文链接：

https://www.nature.com/articles/s41467-025-60575-x