SpaCEy用可解释图神经网络把组织空间模式与临床结局相连，在肺癌与乳腺癌队列中同时提升预测并给出空间标记物
核心概要
作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB
Fig. 1: SpaCEy model architecture and analysis workflow.
深度剖析
SpaCEy把组织建模为空间图，节点特征仅为实测蛋白标志物丰度，细胞类型与区室注释不进入图构建、训练、预测或解释生成，只在事后用于解读。 此前空间方法（如SPACE-GM、Ali等）多以预定义细胞类型标签或局部聚类作为输入，SpaCEy改为直接从连续分子测量中发现涌现的组织模式。 方法学描述明确：Delaunay三角剖分建图、去除超过第99百分位的长边、少于100细胞的图像被剔除；注释仅保留为元数据。
集成解释器输出边掩码并聚合k跳邻域得到节点重要性，可定位连续、紧凑的空间重要区域，并给出驱动预测的少量蛋白标志物。 以往模型多把可解释性局限于潜在表示或细胞级重要性分数，SpaCEy同时给出空间连续区域与分子标记清单。 消融实验显示，在JacksonFischer中逐步移除1%至80%重要节点比移除匹配的非重要节点造成更大且单调的性能下降（如80%时0.2175对0.1289）；合成肿瘤-间质数据中瘤内CD8节点平均重要性0.0467高于间质CD8的0.0162（配对单侧Wilcoxon p=8.29×10⁻¹⁴）。
在肺腺癌进展预测与两个乳腺癌生存队列中，SpaCEy的预测表现优于空间与非空间基线，并能跨临床亚型分层。 在相同固定划分下，SpaCEy在LUAD的准确率、F1、AUC均高于Ali等与SPACE-GM；在乳腺癌C-index上比最佳非空间基线相对提升16.5%（JacksonFischer）与20.7%（METABRIC）。 LUAD采用五折交叉验证；乳腺癌采用患者层面分折的10折协议，共优化24个非空间基线配置，SpaCEy标准差更低（0.061、0.038）。
解释器识别出的空间标记物在多个队列间部分重叠，提示可迁移的预后相关信号，同时保留队列特异差异。 JacksonFischer与METABRIC均显示低生存组富集fibronectin、β-catenin等，高生存组富集激素受体阳性细胞与凋亡标志物；但fibronectin在METABRIC的HR+HER2-中并未相对其他亚型富集（均值5.62对6.34，p=0.84），作者据此将其定位为队列内低生存相关特征而非通用预后生物标志物。 跨两个独立乳腺癌队列的差异丰度与细胞组成分析，并做了亚型组成描述性比较与区室分层标记汇总。
启示与展望
该工作面向多重成像单细胞空间蛋白组数据，节点特征为蛋白标志物丰度，因此只提供细胞状态与互作的部分视角；作者指出其设计可推广到其他疾病背景，并在结直肠癌CODEX队列（35例患者、140个组织区域）中验证了同面板跨批次迁移（A到B的AUPRC 0.801±0.016，随机患者分层下为0.846±0.026）。可扩展性分析显示模型在样本量与标志物维度增长下表现良好，最大设定对应每轮15亿细胞、峰值GPU显存约1.06 GB，为全切片规模应用提供了可行性依据。
解释质量与预测模型性能绑定，作者提示基于中等性能模型的解释应谨慎对待；重要性分数为无符号相关性大小，不编码效应方向，也不等同于因果决定因素。裁剪敏感性分析显示预测与嵌入较稳定（平均Spearman ρ=0.943、余弦相似度0.920），但ROI限制仍是预测与解释的相关局限，局部裁剪可能无法覆盖完整ROI的组织背景。此外，当前证据限于多重成像空间蛋白组，向转录组或代谢组等多模态数据扩展时的计算效率与解释可靠性仍有待检验。