近日，厦门大学信息学院、健康医疗大数据国家研究院俞容山教授课题组在 Genome Medicine 发表研究论文“TiRank prioritizes phenotypic niches in tumor microenvironment for clinical biomarker discovery”，提出跨模态深度学习框架 TiRank，用于在肿瘤微环境中识别与临床结局相关的细胞亚群与空间生态位。

肿瘤微环境的细胞组成与空间组织结构与肿瘤进展、转移及治疗响应密切相关。随着单细胞转录组与空间转录组技术的发展，研究者能够更精细地解析肿瘤微环境的细胞多样性与空间结构，但在“高维、稀疏、跨模态存在系统偏差”的数据条件下，如何在空间语境中优先锁定真正具有临床意义的细胞亚群和空间结构仍具挑战。

为应对上述问题，研究团队提出TiRank算法框架：首先通过相对表达排序将基因表达转换为“表型相关基因对”表示，以降低不同转录组模态间系统偏差。随后利用多任务迁移学习将多模态转录组数据对齐到统一低维嵌入空间，并在推断阶段输出每个细胞和空间位点的临床相关性，最后结合高斯混合模型对得分分布进行分解，从而提升下游发现的信噪比。

Figure 1. TiRank framework overview

作为案例研究，团队将 TiRank 应用于胃癌，在肿瘤边界区域优先识别到一个富集癌相关成纤维细胞（CAF）的空间生态位，并通过独立队列的多重蛋白成像验证其空间分布。该“CAF 富集、呈屏障样聚集并伴随免疫细胞排斥”的边界结构被发现与新辅助化疗联合免疫治疗的疗效相关。进一步地，研究构建了一个量化评分Fibro-Bar Score，定义为肿瘤 patch 边界附近 CAF 与免疫细胞比例的比值，该评分与胃癌患者的治疗不响应有关，具有潜在的临床预测价值。

Figure 2. Fibro-Bar niche and Fibro-Bar Score

为提升方法可用性，团队同时开发了 TiRank 的交互式图形界面，支持跨模态转录组数据的一体化分析流程。

厦门大学医学院、健康医疗大数据国家研究院博士生林育祥、福建医科大学附属协和医院黄泽宁医生、厦门大学生命科学学院本科生林孜妍，为论文共同第一作者。厦门大学信息学院俞容山教授，厦门大学生命科学学院童梦莎副教授，福建医科大学附属协和医院陈起跃医生，为文章共同通讯作者。本项目获得国家自然科学基金等多项项目支持。

相关链接：10.1186/s13073-026-01604-2