Nat. Methods | CellNEST 利用注意力机制解析空间转录组中的细胞间接力通信网络

细胞间通信失调是癌症和糖尿病等复杂疾病的重要机制，但在转录组学中大规模识别这种通信仍面临挑战。大多数单细胞RNA测序和空间转录组的计算方法误报率高，缺乏对单细胞层面信号的解析能力，并且仅能检测单一配体-受体配对的通信方式。为应对这些局限，研究人员开发了CellNEST，一种结合图注意力网络（Graph Attention Network, GAT）与对比学习策略的深度学习模型，能够在空间转录组数据中识别更复杂的配体–受体–配体–受体级联通信模式。CellNEST 可在多种组织、物种及测序平台（包括MERFISH、Visium HD等）中应用，能够揭示包括人类淋巴结、肺腺癌、结直肠癌与胰腺癌等场景下的通信网络，同时配套提供了交互式可视化平台以辅助研究者探索组织内在的空间通信结构。该方法已开源发布于 https://github.com/schwartzlab-methods/CellNEST。

细胞间通信（Cell–Cell Communication, CCC）在多细胞生物中维持组织结构和生理功能的稳定性，其失调常常导致疾病的发生与发展，尤其在癌症中表现为促炎、血管生成、免疫逃逸和转移扩散等表型。CCC 主要通过配体–受体对介导，其中信号由“发送者”细胞分泌配体蛋白，通过结合“接收者”细胞膜表面的受体触发下游反应。当前主流方法如CellPhoneDB、NicheNet、CellChat等多基于单细胞RNA测序数据，通过表达量匹配识别可能的配体–受体对，再结合共表达评分或网络分析筛选高置信通信路径。然而这些方法常忽略空间位置信息，无法对细胞层面上的空间依赖通信做出准确判断，也难以解析多级级联通信网络。

研究人员指出，真实组织中的通信往往不仅限于单跳的配体-受体作用，而可能形成信号的“接力网络”，即由一个细胞产生的配体激活下一个细胞的受体，该受体进而激活另一配体，持续传导至多个细胞，形成更大范围的功能网络。因此，研究人员提出需要一种具备空间建模能力、能够发现复杂通信模式的深度学习框架来应对这些挑战。

CellNEST 将空间转录组数据转化为知识图谱，其中节点为细胞或空间点，边表示近邻关系，并引入GAT模型捕捉图中隐含的通信规律。为弥补监督学习中缺乏标注问题，CellNEST 结合了对比学习方法Deep Graph Infomax (DGI)，在原始图和扰动图之间构建训练目标，从而无需人工标注即可学习出关键通信关系的图嵌入表示。模型输出的注意力分数反映细胞间通信强度，研究人员根据分数筛选高置信边构建通信网络，并配套以空间热图、箭头可视化和通信频率直方图呈现组织中最显著的配体–受体信号。

研究人员将CellNEST 应用于Visium平台采集的人类淋巴结数据，成功在已注释的T细胞区中识别出CCL19–CCR7这一经典的归巢信号，并且注意力分数排名全局第二，显示其能有效提取与生物功能相关的空间通信路径。对比CellChat、COMMOT、NICHES等方法，CellNEST 在定位精度、特异性和计算效率方面均表现优异。

CellNEST 能够识别两跳通信链路（ligand–receptor–ligand–receptor），例如CCL19–CCR7 接力至 CCL21–CXCR4。这些通信链路主要由T细胞及树突状细胞介导，并获得了蛋白互作数据库和转录因子靶基因数据库的支持，表明CellNEST可解析真实存在的信号级联。

研究人员将CellNEST 应用于MERFISH测序的小鼠下丘脑数据，发现处女鼠与母鼠之间通信模式存在显著差异，母鼠中富集Oxt–Oxtr（催产素）信号，且可解析神经元与小胶质细胞间的直接通信，体现出CellNEST在单细胞层面的空间通信建模能力。

在多个MERFISH切片合并后的三维空间数据中，CellNEST 成功捕捉了跨切片的CCC信号，如Oxt–Avpr1a，仅能通过三维分析观察到，进一步拓展了该模型在空间维度上的通用性。

在Visium肺腺癌样本中，CellNEST 检测到APOE–SDC1在肿瘤区富集，这一信号已知与肿瘤增殖、转移和预后不良相关；此外，FN1–RPSA等信号则在淋巴结区域显著，提示可能的转移倾向。模型还能区分肿瘤区域中上调的TGFβ信号与周围间质区的通信差异。

在2 μm分辨率的Visium HD结直肠癌样本中，CellNEST 能清晰分辨癌细胞与正常组织之间通信的空间边界，并识别了如C3–CXCR4到C3–LRP1的接力网络，在间质区高度富集，表明其与肿瘤微环境调控密切相关。

在两个患者样本中，CellNEST 分别检测到经典亚型富含PLXNB2–MET，基底样亚型富含ANXA1–EGFR，并发现多个患者样本中都存在FN1–RPSA、LGALS3–ITGB4等高频通信对，显示出该模型在不同肿瘤微环境中对通信特征的泛化能力。

CellNEST 基于深度图学习架构，通过图注意力机制和对比学习策略，有效克服传统方法在空间上下文建模、单细胞分辨率识别以及多级通信链检测方面的不足。与仅依赖共表达或细胞聚类的方法相比，CellNEST 能直接在空间图结构中捕捉跨细胞的高置信通信路径，并赋予每条路径生物意义。其适用于多种平台（Visium、MERFISH、Visium HD）、维度（2D、3D）和物种，在癌症、免疫调节、行为神经科学等场景中均展现出重要应用潜力。未来，CellNEST 有望拓展至多模态整合分析，成为解析空间多组学数据中细胞通信网络的核心工具。

Zohora, F.T., Paliwal, D., Flores-Figueroa, E. et al. CellNEST reveals cell–cell relay networks using attention mechanisms on spatial transcriptomics. Nat Methods (2025). 

https://doi.org/10.1038/s41592-025-02721-3