利用图卷积神经网络从肿瘤空间转录组数据中预测亚克隆TP53突变

空间转录组学（ST）彻底改变了我们对肿瘤生物学的理解，但其本质上缺乏关于上游体细胞驱动突变的信息。我们开发了一种具有空间感知能力的图卷积神经网络（MuT-GCNN），可直接从ST数据中推断TP53克隆。MuT-GCNN在虚拟ST切片上进行训练，这些切片中的克隆由大量现有RNA测序及其匹配DNA测序数据模拟生成。该模型表现出极高的性能，在大多数所分析的癌症类型中，其精确率和召回率均超过95%。该模型对单次打击突变具有敏感性，并且其判断主要依赖于癌细胞中p53信号通路基因的表达。在公共可用的鳞状细胞癌（SCC）数据上证明了该模型的潜力之后，我们进一步利用来自4例皮肤鳞状细胞癌样本连续切片的ST和匹配DNA测序数据进行了直接验证。随着ST数据的日益丰富以及未来ST图谱的陆续建立，MuT-GCNN能够揭示TP53——人类癌症中突变最频繁的基因——中（亚）克隆改变的空间位置。

空间转录组学（spatial transcriptomics，ST）彻底改变了我们对肿瘤生物学的理解，但其本质上缺乏关于上游体细胞驱动突变的信息。我们开发了一种具有空间感知能力的图卷积神经网络（MuT-GCNN），可直接从ST数据中推断TP53克隆。MuT-GCNN基于虚拟ST切片进行训练，这些切片中的克隆由大量现有RNA测序及其匹配DNA测序数据模拟生成。该模型表现出极高的性能，在大多数分析的癌症类型中，精确率和召回率均超过95%。其对单次打击突变具有较高敏感性，且主要由癌细胞中p53信号通路基因的表达信息驱动。在利用公开可得的鳞状细胞癌（SCC）数据展示该模型的潜力后，我们进一步使用来自4例皮肤鳞状细胞癌样本连续切片的ST数据及匹配DNA测序数据进行了直接验证。随着ST数据可用性的不断提高以及未来ST图谱的陆续建立，MuT-GCNN有望揭示TP53中（亚）克隆改变的空间位置，而TP53是人类癌症中突变最频繁的基因。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.08.737173v1?rss=1

🏷️ 空间转录组 图卷积神经网络 TP53突变 肿瘤亚克隆 突变预测