1146-利用图神经网络解析空间分子图谱中的组织涌现特性

这篇研究探讨了图神经网络 (GNN) 在分析空间蛋白质组学数据以预测组织表型（如癌症等级和炎症状态）方面的效用。研究人员通过对乳腺癌和结直肠癌数据集的对比实验发现，虽然在小规模样本中 GNN 的分类准确率与简单的伪批量 (pseudobulk) 建模相当，但它能更深入地揭示细胞间的空间交互。图模型不仅能够捕捉到与患者生存率相关的临床信号，还能识别出传统方法难以发现的免疫细胞浸润模式和特定组织架构。此外，即使在分类任务相对简单时，GNN 学习到的样本嵌入依然反映了疾病发展的连续生物学特征。这表明，空间上下文信息在刻画复杂的肿瘤微环境和发掘潜在生物标志物方面具有不可替代的价值。该研究为未来利用空间组学辅助精准医疗和疾病机制研究提供了重要的方法论参考。

References:

• Ali, M., Richter, S., Ertürk, A. et al. Graph neural networks learn emergent tissue properties from spatial molecular profiles. Nat Commun 16, 8419 (2025). doi.org