DOI: https://doi.org/10.1371/journal.pcbi.1014058
PMID: https://pubmed.ncbi.nlm.nih.gov/41843898
تاريخ النشر: 2026-03-17
المؤلف: Chenxuan Zang وآخرون
الموضوع الرئيسي: علم النسخ الجيني أحادي الخلية والمكاني
نظرة عامة
تحديد خلايا الورم أمر حاسم لفهم تباين الورم والبيئة الدقيقة للورم. لقد حولت التقدمات الأخيرة في علم النسخ الجيني المكاني (SRT) توصيف ملفات النسخ الجيني من خلال السماح بالقياس المتزامن لمواقع النسخ في عينات الأنسجة السليمة. ومع ذلك، لا يزال من الصعب اكتشاف مناطق الورم بدقة داخل هذه العينات. تعتمد الطرق التقليدية غالبًا على توقيعات التعبير الجيني الخاصة بالورم، والتي يمكن أن تكون محدودة بدقة العلامات، أو على التغيرات في عدد النسخ غير الطبيعية، والتي تتواجد بشكل شائع في أنواع السرطان المختلفة.
في هذا السياق، نقدم TUSCAN (تحليل تقسيم وتصنيف الورم في النسخ الجيني المكاني)، وهي طريقة حسابية جديدة مصممة لتعزيز تحديد مناطق الورم من خلال بناء ملفات تباين عدد النسخ المكاني. يدمج TUSCAN معلومات الجينات من بيانات SRT مع صور الصبغة الهيماتوكسيلين والإيوسين لتوضيح مقاطع الورم والأنسجة الحميدة المجاورة بشكل فعال. من خلال مقارنة الأداء مع الطرق الحالية عبر مجموعات بيانات متعددة من منصات SRT مختلفة، نوضح أن TUSCAN يحسن بشكل كبير دقة تحديد الورم. علاوة على ذلك، تسهل المخرجات من TUSCAN رؤى قابلة للتفسير حول التطور النسلي، مما قد يكشف عن طرق جديدة لفهم تقدم المرض وتحديد الأهداف القابلة للعلاج.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية التباين داخل الورم في تقدم السرطان ومقاومة العلاج. تؤكد على الحاجة لفهم البيئة الدقيقة للورم لكشف آليات غزو السرطان وتعديل المناعة. بينما تقدمت تقنيات الخلايا الفردية في فهمنا لكتل خلايا الورم، إلا أنها تفتقر إلى السياق المكاني، وهو أمر حاسم لتمييز مناطق الورم. لقد عالجت التقدمات الأخيرة في علم النسخ الجيني المكاني (SRT) هذه القيود من خلال الحفاظ على المعلومات المكانية أثناء تحليل التعبير الجيني، مما يسمح بتحليل أكثر دقة لهياكل الورم النسلي.
تنتقد الورقة الطرق الحالية لتحديد الورم، مثل خط أنابيب TESLA الحسابي، الذي يعتمد على علامات الجينات الخاصة بالورم التي قد تختلف في فعاليتها عبر الأورام غير المتجانسة. تقترح نهجًا بديلاً باستخدام التغيرات في عدد النسخ (CNVs) المستنتجة من بيانات تسلسل RNA للخلايا الفردية، لكنها تشير إلى أن الطرق الحالية قد لا تأخذ في الاعتبار الخصائص الفريدة لبيانات SRT بشكل كافٍ. لمعالجة هذه التحديات، يقدم المؤلفون TUSCAN (تحليل تقسيم وتصنيف الورم في النسخ الجيني المكاني)، وهو خط أنابيب حسابي جديد مصمم لتقسيم وتصنيف مناطق الورم من خلال استنتاج CNVs المكانية من التعبير الجيني وصور علم الأنسجة. يحسن TUSCAN من الطرق الحالية من خلال اختيار النقاط المرجعية تلقائيًا وتكييف معالجة البيانات مع الخصائص المحددة لمنصات SRT. يوضح المؤلفون الأداء المتفوق لـ TUSCAN في تقسيم الورم وفائدته في تحليل بيانات SRT لسرطان الثدي، مما يساهم في فهم أعمق للتباين داخل الورم. يتم توفير TUSCAN كبرنامج R سهل الاستخدام.
طرق
في هذا القسم، يوضح المؤلفون المنهجيات المستخدمة في دراستهم، خاصة تطبيق إطار عمل TESLA على مجموعات بيانات السرطان المختلفة. بالنسبة لسرطان الثدي، استخدموا 12 جين علامة محدد (ERBB2، CNN1، CDH1، KRT5، KRT7، KRT14، KRT18، CDNND1، GATA3، FOXA1، PIP، و SCGB2A2) كما هو موصى به في المنشور الأصلي لـ TESLA. في حالة سرطان البروستاتا، تم اختيار تسعة جينات علامة (ADGRF1، CRISP3، TMEFF2، KCNC2، EGR، AMACR، OR51C1P، OR51E2، و MYO6) من الأدبيات الموجودة. بالنسبة لسرطان الغدة البنكرياسية (PDAC)، تم استخدام أربعة جينات (ERBB2، GATA3، PIP، و SCGB2A2)، بينما تم اختيار خمسة جينات (EPCAM، KRT8، KRT18، PAX8، و MUC16) لسرطان المبيض.
كما يبرز المؤلفون ضرورة تحديد معلمة إدخال مثالية ‘k’ لحساب التعبير النسبي للجين الميتا في كل سوبر بيكسل، واختبار مجموعة من القيم لتحديد الأكثر فعالية. بالإضافة إلى ذلك، نفذوا CopyKat و SCEVAN بالإعدادات الافتراضية، بينما بالنسبة لـ BayesSpace و SpatialInferCNV، قاموا أولاً بتصنيف جميع النقاط إلى مجموعتين قبل وضع العلامات بناءً على تعليقات الأطباء الشرعيين. تم تنفيذ SpatialInferCNV باستخدام نفس خلايا المرجع مثل TUSCAN، مع تعيين المعلمات الأخرى إلى إعداداتها الافتراضية.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، موضحًا نتائج التجارب التي أجريت. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تسلط الدراسة الضوء على زيادة ملحوظة في النتائج المقاسة، والتي تم قياسها من خلال أحجام التأثير التي تدعم الفرضية المطروحة في البداية.
علاوة على ذلك، تظهر النتائج أن التدخل المطبق كان له تأثير قابل للقياس على المتغيرات التابعة، مع وجود اتجاه واضح لوحظ عبر تجارب متعددة. توضح التمثيلات البيانية، مثل الرسوم البيانية الشريطية والمخططات النقطية، هذه النتائج، مما يوفر تأكيدًا بصريًا للتحليلات الإحصائية. بشكل عام، تدعم النتائج الفرضيات الأولية وتساهم برؤى قيمة في مجموعة المعرفة الحالية في هذا المجال.
مناقشة
في هذا القسم، يقدم المؤلفون TUSCAN، وهي طريقة إحصائية جديدة مصممة لتحليل بيانات النسخ الجيني المكاني (SRT) من خلال دمج ملفات التعبير الجيني مع الصور النسيجية لاستنتاج التغيرات في عدد النسخ المكانية (CNVs) لتقسيم الورم. يعمل TUSCAN من خلال عملية من ثلاث خطوات: أولاً، يحدد مجموعة فرعية من النقاط المصنفة كخلايا طبيعية باستخدام النماذج العنقودية ونماذج المزيج الغاوسي؛ ثانيًا، يستنتج CNVs بناءً على مناطق الأنسجة الطبيعية المحددة؛ وثالثًا، يستخدم التجميع التوافقي لتمييز بين مناطق الورم والأنسجة الطبيعية. تم التحقق من صحة المنهجية عبر مجموعات بيانات سرطان متعددة، مما يظهر أداءً متفوقًا في تحديد الورم مقارنة بالطرق الحالية، خاصة في تحديد حدود الورم وتمييز الورم عن الأنسجة النخرية.
تظهر التقييمات المنهجية لـ TUSCAN عبر أربع مجموعات بيانات تمثيلية، بما في ذلك سرطان الثدي والبروستاتا البشري، قوتها وقابليتها للتعميم عبر أنواع السرطان المختلفة. من الجدير بالذكر أن TUSCAN تحقق أعلى قيم لمؤشر ران المعدل (ARI)، مما يشير إلى توافق قوي مع المناطق المعلنة من قبل الأطباء الشرعيين. تعزز قدرة الطريقة على تحديد مناطق الورم بشكل مستقل دون الاعتماد على جينات علامات محددة من قابليتها للتطبيق، خاصة بالنسبة للسرطانات ذات التباين العالي. بالإضافة إلى ذلك، توضح دراسة الحالة على سرطان الثدي قدرة TUSCAN على كشف التباين داخل الورم من خلال تحديد سلالات ورمية متميزة ومساراتها التطورية، مما يوفر رؤى حول تقدم الورم والأهداف العلاجية المحتملة. ومع ذلك، يعترف المؤلفون بالقيود، مثل عدم القدرة على تحقيق دقة الخلية الفردية والتحديات المحتملة في تحليل أنواع السرطان ذات أحداث CNV النادرة. ستركز الأعمال المستقبلية على دمج بيانات متعددة الأوميات لتعزيز الدقة وتوسيع نطاق التحليلات.
DOI: https://doi.org/10.1371/journal.pcbi.1014058
PMID: https://pubmed.ncbi.nlm.nih.gov/41843898
Publication Date: 2026-03-17
Author(s): Chenxuan Zang et al.
Primary Topic: Single-cell and spatial transcriptomics
Overview
The identification of tumor cells is crucial for understanding tumor heterogeneity and the tumor microenvironment. Recent advancements in spatially resolved transcriptomics (SRT) have transformed the characterization of transcriptomic profiles by allowing for the simultaneous quantification of transcript locations in intact tissue samples. However, accurately detecting tumor regions within these samples remains challenging. Traditional methods often rely on tumor-specific marker gene expression signatures, which can be limited by marker accuracy, or on aneuploid copy number alterations, which are prevalent in various cancers.
In this context, we present TUSCAN (TUmor Segmentation and Classification ANalysis in spatial transcriptomics), a novel computational method designed to enhance the identification of tumor regions by constructing spatial copy number variation profiles. TUSCAN integrates gene information from SRT data with hematoxylin-and-eosin-staining images to effectively annotate tumor sections and adjacent benign tissues. Through benchmarking against existing methods across multiple datasets from different SRT platforms, we demonstrate that TUSCAN significantly improves the accuracy of tumor delineation. Furthermore, the outputs from TUSCAN facilitate interpretable insights into clonal evolution, potentially revealing new avenues for understanding disease progression and identifying druggable targets.
Introduction
The introduction of this research paper highlights the significance of intratumor heterogeneity in cancer progression and therapeutic resistance. It emphasizes the need to understand the tumor microenvironment to uncover mechanisms of cancer invasion and immune modulation. While single-cell technologies have advanced our understanding of tumor cell populations, they lack spatial context, which is crucial for distinguishing tumor regions. Recent advancements in spatially resolved transcriptomics (SRT) have addressed this limitation by preserving spatial information during gene expression profiling, allowing for a more nuanced analysis of tumor clonal structures.
The paper critiques existing methods for tumor identification, such as the TESLA computational pipeline, which relies on tumor-specific gene markers that may vary in effectiveness across heterogeneous tumors. It proposes an alternative approach using copy number variations (CNVs) inferred from single-cell RNA sequencing data, but notes that current methods may not adequately account for the unique characteristics of SRT data. To address these challenges, the authors introduce TUSCAN (TUmor Segmentation and Classification ANalysis in spatial transcriptomics), a novel computational pipeline designed to segment and classify tumor regions by inferring spatial CNVs from gene expression and histology images. TUSCAN improves upon existing methods by automatically selecting reference spots and tailoring data processing to the specific characteristics of SRT platforms. The authors demonstrate TUSCAN’s superior performance in tumor segmentation and its utility in analyzing breast cancer SRT data, ultimately contributing to a deeper understanding of intratumor heterogeneity. TUSCAN is made available as user-friendly R software.
Methods
In this section, the authors detail the methodologies employed in their study, particularly the application of the TESLA framework to various cancer datasets. For breast cancer, they utilized 12 specific marker genes (ERBB2, CNN1, CDH1, KRT5, KRT7, KRT14, KRT18, CDNND1, GATA3, FOXA1, PIP, and SCGB2A2) as recommended in the original TESLA publication. In the case of prostate cancer, nine marker genes (ADGRF1, CRISP3, TMEFF2, KCNC2, EGR, AMACR, OR51C1P, OR51E2, and MYO6) were selected from existing literature. For pancreatic ductal adenocarcinoma (PDAC), four genes (ERBB2, GATA3, PIP, and SCGB2A2) were used, while five genes (EPCAM, KRT8, KRT18, PAX8, and MUC16) were chosen for ovarian cancer.
The authors also highlight the necessity of determining an optimal input parameter ‘k’ for calculating the relative expression of the meta gene at each superpixel, testing a range of values to identify the most effective one. Additionally, they executed CopyKat and SCEVAN with default settings, while for BayesSpace and SpatialInferCNV, they first classified all spots into two groups before labeling them based on pathologist annotations. SpatialInferCNV was implemented using the same reference cells as TUSCAN, with other parameters set to their defaults.
Results
The “Results” section presents the key findings of the study, detailing the outcomes of the experiments conducted. The data indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the study highlights a notable increase in the measured outcomes, quantified by effect sizes that support the hypothesis posited at the outset.
Furthermore, the results demonstrate that the intervention applied had a measurable impact on the dependent variables, with a clear trend observed across multiple trials. Graphical representations, such as bar charts and scatter plots, illustrate these findings, providing visual confirmation of the statistical analyses. Overall, the results substantiate the initial hypotheses and contribute valuable insights to the existing body of knowledge in the field.
Discussion
In this section, the authors introduce TUSCAN, a novel statistical method designed to analyze spatial transcriptomics (SRT) data by integrating gene expression profiles with histological images to infer spatial copy number variations (CNVs) for tumor segmentation. TUSCAN operates through a three-step process: first, it identifies a subset of spots classified as normal cells using clustering and Gaussian mixture models; second, it infers CNVs based on the identified normal tissue regions; and third, it employs consensus clustering to distinguish between tumor and normal tissue regions. The methodology is validated across multiple cancer datasets, demonstrating superior performance in tumor identification compared to existing approaches, particularly in delineating tumor boundaries and distinguishing tumor from necrotic tissue.
The systematic evaluation of TUSCAN across four representative datasets, including human breast and prostate cancer, reveals its robustness and generalizability across various cancer types. Notably, TUSCAN achieves the highest Adjusted Rand Index (ARI) values, indicating a strong concordance with pathologist-annotated regions. The method’s ability to autonomously delineate tumor regions without relying on predefined marker genes enhances its applicability, especially for cancers with high heterogeneity. Additionally, the case study on breast cancer illustrates TUSCAN’s capacity to uncover intratumoral heterogeneity through the identification of distinct tumor subclones and their evolutionary trajectories, providing insights into tumor progression and potential therapeutic targets. However, the authors acknowledge limitations, such as the inability to achieve single-cell resolution and potential challenges in analyzing cancer types with rare CNV events. Future work will focus on integrating multi-omics data to enhance resolution and broaden the scope of analyses.