Nat Commun：蒋庆华/季勇/许召春联合提出单细胞分辨率下解码细胞通讯的新方法

精准推断细胞间的通讯有助于更好地理解复杂的生命系统，然而，如何在单细胞分辨率下解码细胞间通讯仍然面临着巨大挑战，是亟待解决的关键科学问题。

2024年8月18日，哈尔滨工业大学/哈尔滨医科大学蒋庆华、季勇、许召春教授以共同通讯在Nature Communications期刊发表题为“Deciphering cell–cell communication at single-cell resolution for spatial transcriptomics with subgraph-based graph attention network”的研究论文，报道了一种名为DeepTalk的新方法，通过整合单细胞转录组测序数据和空间转录组学测序数据，以单细胞分辨率推断细胞之间的通讯。哈尔滨工业大学的杨文艺、哈尔滨医科大学的王平平、许守平为论文的共同第一作者。

为了攻克在单细胞分辨率下精准推断细胞通讯这一难题，研究团队独辟蹊径，融合单细胞转录组测序与空间转录组测序数据，通过图注意力神经网络深入捕捉细胞间的复杂连接，提出了名为DeepTalk的细胞通讯推断方法，该方法实现了两大核心功能——DeepTalk-Integration与DeepTalk-CCC，前者能够高效整合单细胞及空间转录组测序数据，精准地识别出各种细胞类型，并对非单细胞空间转录组数据进行精细的解卷积处理，后者则基于细胞的空间位置和基因表达数据，在单细胞分辨率下精确推断细胞之间的通讯。

图 1 DeepTalk方法工作流程

DeepTalk的创新之处在于首次通过自注意力和交叉注意力机制技术完美融合单细胞转录组测序数据和空间转录组测序数据，使得信息能够在同一组学的细胞之间，甚至不同组学的细胞之间自由传递，从而显著提升了空间细胞类型识别的准确性，并对非单细胞空间转录组数据进行了有效解卷积。此外，该方法还创新性地基于子图的图注意力神经网络，更精确地捕捉单个细胞间的多层次连接，从而使得细胞通讯的推断更为准确。通过预训练与微调的策略，模型的泛化能力和精度得到进一步提升。

把DeepTalk应用到多个平台的数据集上，DeepTalk在识别空间细胞类型和发现有意义的细胞通讯方面展示出卓越性能。在空间细胞类型识别与反卷积方面，与目前最先进的方法相比，DeepTalk在准确率、结构相似性等方面具有明显优势。在细胞通讯推断方面，通过ROC曲线和距离富集分数等指标进行综合评估，DeepTalk在多个数据集上均表现出优异的细胞通讯推断性能。特别是在推断邻近细胞间的通讯时，它能够精准区分不同距离的通讯强度，精度高、鲁棒性强。

图2 DeepTalk与最先进方法的性能比较

DeepTalk方法被应用于多个生物学研究领域。在小鼠视觉皮层研究中，它成功揭示了各种细胞类型的空间分布和细胞间通讯模式。在成年小鼠大脑研究中，DeepTalk突破了传统方法的分辨率限制，预测了单细胞分辨率下的细胞定位，并深入揭示了细胞间的复杂联系与通讯机制。在人类胰腺导管腺癌的研究中，该方法准确预测并可视化了癌细胞克隆与其他细胞类型之间的通讯强度，为理解癌症中的细胞间信息传递提供了新视角。 

图3 DeepTalk通过MERFISH数据检测小鼠视觉皮层区域的细胞通讯    

图4 DeepTalk可从ST数据中检测人体胰腺导管腺癌的细胞通讯

总的来说，DeepTalk方法的提出是细胞通讯研究领域的一大突破，它通过整合单细胞转录组测序数据和空间转录组学数据，在单细胞分辨率下推断细胞间通讯，解析复杂的细胞通讯网络，不仅在生物学研究领域中展示了应用潜力，也有利于探究肿瘤免疫、肿瘤微环境等医学问题，助力精准医学研究发展。    

文献链接：

https://www.nature.com/articles/s41467-024-51329-2