AI破译细胞之间的对话，提升疾病诊断准确率6％

niwanmao

在生物医学领域，科学家们一直试图理解细胞如何通过空间位置和分子表达“交流”。传统单细胞技术（如流式细胞术）虽能分析细胞特性，却像听单音节单词——丢失了细胞间的“对话语境”。最新发表于预印平台的研究《Spatial Coordinates as a Cell Language》提出突破性框架 Spatial2Sentence，首次将细胞空间坐标转化为“语言”，让AI听懂细胞群体的完整故事。

一、为何要教AI理解细胞的“空间语言”？
传统单细胞分析存在两大瓶颈：
1. 空间盲区：现有模型（如scGPT、C2S）仅分析基因/蛋白表达量（如CD4+ T细胞活化标志物CD25），却忽略细胞在组织中的物理位置。而肿瘤微环境中，免疫细胞与癌细胞的“贴身距离”直接影响免疫治疗效果。
2. 孤立分析：模型将每个细胞视为独立个体（如单独分析记忆T细胞或肿瘤细胞），无视细胞群体间的相互作用（如T细胞-B细胞协同活化）。这导致临床预测准确率受限——在糖尿病数据集上，现有模型细胞分类准确率仅36.37%。

二、如何将细胞坐标转化为“句子”？
Spatial2Sentence 核心技术分为三步：



三、结果突破：空间信息让AI诊断能力飞跃
1、细胞分类准确率提升5.98%  
- 在糖尿病数据集上：  

• Spatial2Sentence 细胞类型分类准确率达41.35%（vs scGPT的32.45%）  
• 临床状态（糖尿病vs健康）预测准确率64.12%，提升4.18%  
  

- 在脑肿瘤数据集（胶质瘤vs脑转移）中：  

• 成功捕捉脑转移灶中M1样巨噬细胞扩增现象，与临床发现一致：  
  

    > “M1-like MDMs在脑转移患者中比例激增，与肿瘤免疫微环境重塑相关”

2、空间信息贡献量化  
- 移除空间邻近句子 → 细胞分类准确率下降3.19%（脑肿瘤数据集）  
- 随机替换空间距离计算 → 准确率暴跌至48.12%（证明欧氏距离不可替代）

3、多任务学习优势显著  
联合预测细胞类型和临床状态时：  
- 糖尿病数据集：多任务比单任务细胞分类精度提升3.44%  
- 模型学会利用“β细胞减少+免疫细胞浸润”空间模式联合诊断糖尿病
  

这项技术已开源（GitHub: UNITES-Lab/Spatial2Sentence）。当AI不仅读懂细胞“单词”，更能理解它们的“空间对话”，人类距离解密疾病密码又近了一步。

参考文献：https://arxiv.org/abs/2506.01918