肿瘤，这个可怕的病魔，长期以来威胁着人类的健康。在肿瘤的发展过程中，肿瘤微环境（TME）的免疫组成起着关键作用。高肿瘤浸润淋巴细胞水平与良好预后和免疫治疗反应相关，相反，免疫抑制性的 TME 则预后较差，对免疫治疗反应不佳。T 细胞浸润不足常常限制了基于 T 细胞的免疫疗法的疗效，像三阴性乳腺癌、胰腺癌这类 “冷肿瘤”，从免疫治疗中获益甚少。究竟是哪些细胞和分子因素限制了 T 细胞向肿瘤的浸润，一直是未解之谜。
研究人员运用了深度学习模型，结合大规模肿瘤空间蛋白质组学数据，提出了一种名为 Morpheus 的集成深度学习框架。该框架将 T 细胞浸润预测转化为自我监督机器学习问题，并通过反事实优化来寻找促进 T 细胞浸润的肿瘤扰动策略。研究中用到的主要技术方法包括：利用成像质谱细胞术（IMC）获取肿瘤的空间蛋白质组数据，对多个癌症数据集进行分析；训练卷积神经网络（U-Net）来预测 T 细胞浸润水平；通过反事实优化算法计算出能提高 T 细胞浸润预测概率的扰动策略，并在体外实验中进行验证 。
在研究结果部分，首先是反事实优化用于治疗预测。Morpheus 框架先通过自我监督方式训练分类器预测 CD8+ T 细胞的存在，再通过对输入图像进行梯度下降计算反事实实例，从而发现能增加 T 细胞浸润预测可能性的肿瘤图像扰动。在这个过程中，研究人员将 IMC 图像划分为代表局部组织信号环境的斑块，对 CD8+ T 细胞信号进行掩码处理，训练神经网络模型进行分类，最后通过求解约束优化问题获得理想的扰动。
接着，卷积神经网络对 T 细胞分布的预测。研究人员将 Morpheus 应用于转移性黑色素瘤和结直肠癌肝转移的 IMC 数据集，并在乳腺癌数据集上验证了浸润预测。结果显示，训练的 U-Net 分类器能有效预测不同肿瘤切片中 CD8+ T 细胞的浸润水平，在黑色素瘤和结直肠癌数据集上表现出色，乳腺癌数据集上也有一定的预测能力。同时，研究发现非线性分子特征和空间信号对 T 细胞定位的影响在不同癌症类型中有所差异。
然后，将 Morpheus 应用于转移性黑色素瘤样本。研究人员发现了一种组合疗法，可有效改善黑色素瘤患者的 T 细胞浸润。通过对多种趋化因子的优化，Morpheus 揭示了不同患者群体中趋化因子的扰动策略，如在不同患者集群中，对 CXCL9、CXCL10、CCL18 和 CCL22 的不同调整策略。这种组合扰动策略能使肿瘤微环境的趋化因子组成更接近免疫浸润肿瘤的 T 细胞丰富区域，显著提高 T 细胞浸润水平。
之后，将 Morpheus 应用于结直肠癌肝转移样本。研究人员发现了两种患者依赖性的治疗策略，可改善 T 细胞浸润。这些策略涉及抑制 PD-1、PD-L1、CXCR4 和 CYR61 等靶点，这些靶点在抑制 T 细胞功能中起重要作用，抑制它们能促进 T 细胞浸润。同时，研究还发现不同组织类型的扰动策略存在差异，且这些策略在测试队列中具有一定的有效性，但也面临着肿瘤内和患者间异质性的挑战。
最后是对预测扰动策略的实验验证。研究人员通过体外迁移实验，使用人类黑色素瘤和结直肠癌细胞系对 Morpheus 的预测进行了验证。结果表明，按照 Morpheus 预测的策略扰动分子靶点，能显著提高 T 细胞向癌细胞迁移的能力，在体外实验中取得了有前景的结果。
在研究结论和讨论部分，Morpheus 框架结合深度学习与反事实优化，直接从空间组学数据预测治疗策略，具有处理多样患者样本的优势。它揭示了增加 T 细胞丰度的不同策略，虽然所识别的分子靶点需进一步实验验证其因果作用，但该框架为癌症治疗提供了新的思路和方法。未来，研究人员计划将 Morpheus 应用于空间转录组学数据集，进一步拓展其在个性化治疗、整合实验数据优化模型等方面的应用，有望为癌症治疗带来更多突破。
