EYKTHYR：从空间多组学中寻找驱动基因程序的转录因子

1. 文章信息

这篇文章提出的 EYKTHYR 是一个面向空间多组学的转录因子调控推断框架。它把空间转录组、空间染色质可及性和细胞空间邻域放到同一个可解释模型里，通过模拟 in silico TF knockout 来判断哪些转录因子可能驱动了特定空间基因程序。

一句话说，它不是单纯问“哪个 TF 表达高”，而是问：在某个空间区域里，哪个 TF 的可及 motif 信号最可能解释某个空间 gene program 的变化。

2. 为什么这篇文章值得看

空间组学现在越来越容易同时拿到两类信息：一类是 RNA 表达，另一类是染色质可及性。问题是，有了这两张图以后，我们通常还是停留在比较表达量、比较 peaks、做 pathway enrichment 这些层面。它们能告诉我们“哪里不同”，但不太能直接回答“谁在驱动这些空间状态差异”。

传统 GRN 推断方法在这里有几个麻烦：

  1. 很多方法没有显式使用空间上下文，会把局部组织微环境里的调控信号平均掉。
  2. 如果只依赖 TF 自身的 RNA 表达，遇到 TF 低表达或 dropout 时很容易漏掉真正重要的调控因子。
  3. 空间多组学数据往往稀疏，直接在 gene-level 上做调控网络，参数多、噪声大、解释也不稳。

EYKTHYR 的切入点很聪明：先把表达矩阵压缩成少数可解释的空间 metagene，再把 ATAC 数据转成 TF activity，然后在每个局部空间邻域里拟合 TF 到 metagene 的影响。这样既降低噪声，又保留了“某个 TF 影响哪个空间基因程序”的解释性。

3. 先理解两个概念：metagene 和 dropout

3.1 Metagene 不是一个真实基因，而是一组空间基因程序

Metagene 可以先按“宏基因”来理解，但它不是基因组里真实存在的一段 DNA，而是从表达矩阵中学出来的一个抽象变量。更直白地说，它代表一组在空间上协同表达、共同反映某种组织功能或细胞状态的基因。

如果单个基因像一个乐手，metagene 更像一个乐队；如果单个基因像一个员工，metagene 更像一个部门。真正有生物学意义的往往不是某一个基因孤零零地升高，而是一组基因一起形成一个空间表达程序，例如神经分化、细胞周期、axon guidance 或特定组织区域的 identity。

在数学上，可以把每个 metagene 看成一组基因的加权组合。某个基因权重越高，说明它越能代表这个空间程序；某个细胞或 spot 的 metagene score 越高，说明这个空间程序在该位置越活跃。因此，metagene 同时有两层含义：一层是“哪些基因组成这个程序”，另一层是“这个程序在哪里强、在哪里弱”。

3.2 Dropout 让单个基因层面的判断很不稳

空间转录组和单细胞数据里有大量 0。这里要先区分两种 0：一种是真 0，也就是基因确实没有表达；另一种是假 0，也就是基因本来有 RNA，但因为捕获、反转录、PCR 扩增或测序深度等技术原因没有被检测到，这就是常说的 dropout。

低表达基因尤其容易遇到这个问题。一个细胞里某个转录本可能本来就只有几个到几十个拷贝，组织处理、RNA 捕获、扩增和测序每一步都会损失一部分信号。空间数据还会受到组织切片质量、局部 RNA 扩散、spot 分辨率和测序深度的影响。所以，如果直接拿单个 gene-level 表达去推断调控关系，很多结果可能只是技术稀疏性造成的假象。

这也是为什么 EYKTHYR 不急着在每个基因上直接建一个巨大的 GRN。单个基因可能被 dropout 打成 0，但一组功能相关、空间上共表达的基因不太可能同时全部丢失。把它们压缩成 metagene，相当于用群体信号降低单个基因缺失和随机噪声的影响。

3.3 为什么线性设计重要

EYKTHYR 的核心不是“用复杂模型硬猜缺失值”，而是用两层相对透明的线性关系把问题拆开。

第一层是 gene 到 metagene。表达矩阵被压缩成少数 metagene 后，模型不再追着几万个稀疏基因跑，而是分析几十个更稳定的空间基因程序。这一步能减少参数量，也能把随机噪声平均掉。

第二层是 TF activity 到 metagene。EYKTHYR 从 ATAC peak 和 motif 信息推断 TF activity，再在每个局部空间邻域里用 Ridge regression 学习“哪些 TF activity 能解释哪些 metagene 的变化”。这样得到的不是一个全局平均调控网络，而是带空间位置的 TF-metagene 权重。

线性关系的好处是解释路径很清楚：敲掉某个 TF 后，模型可以先预测哪些 metagene 会变，再根据 metagene 的基因权重把变化投回 gene-level。这里不需要把它理解成严格的矩阵求逆或万能补全；更准确地说，它提供了一条可追踪的解释链：TF activity -> metagene shift -> affected genes/pathways。

4. 方法主线

Figure 1 EYKTHYR 方法总览

Figure 1 基本把全文的方法逻辑画完了。左边输入是 paired spatial multiome：同一位置或同一细胞上的 RNA expression 与 chromatin accessibility。中间有两个关键转换：表达矩阵通过 POPARI 变成 metagenes；ATAC peaks 通过 motif annotation 变成 TF activity。右边的核心动作是对某个 TF 做虚拟敲除，也就是把该 TF activity 设为 0，再观察 metagene、cell identity 和下游基因会怎样变化。

可以把它拆成六步：

  1. 用 POPARI 将表达矩阵嵌入到低维 metagene 空间。每个 metagene 对应一组空间共表达基因，因此 metagene 的变化还能映射回 gene-level。
  2. 用 ArchR、MACS2 等流程处理 ATAC 数据，得到 cell-by-peak 矩阵。
  3. 用 motif annotation 得到 peak-by-TF motif 矩阵，再通过 A = P T 把 peak accessibility 转成 TF activity。
  4. 对每个 cell 或 spot 取空间近邻。作者经验上使用 100 个邻居较稳定，其中一半来自同 cell type，一半不限制 cell type。
  5. 在每个局部邻域里训练 Ridge regression，把 TF activity 映射到 metagene expression，得到局部 TF-metagene influence weights。
  6. 对某个 TF 做 in silico knockout，把该 TF 的 activity 设为 0，再通过线性权重传播到 metagene 和 gene-level，观察细胞状态、空间区域和通路层面的变化。

这个设计最重要的地方，是它没有把空间多组学整合做成一个黑箱分数。TF activity 到 metagene、metagene 到 gene expression 都保持线性映射，所以结果可以一路解释到“哪个 TF、哪个 metagene、哪些基因、哪个空间 compartment”。

5. 核心结果

5.1 小鼠脑发育：找到 pallium differentiation 的空间调控因子

作者首先在 MISAR-seq 小鼠胚胎脑发育数据上测试 EYKTHYR，关注 progenitors 向 dorsal pallium ventricular region、dorsal pallium mantle region 和 subpallium 的分化。

他们整理了文献中已知的 pallium differentiation 相关 TF，包括 Arx、Emx1、Emx2、Gli3、Lef1、Lhx2、Nr2e1、Pax6、Sp8 等。EYKTHYR 的评价方式不是只看 TF 排名，而是模拟 TF knockout 后，看细胞簇分离度、混合程度和扰动方向是否发生合理变化。

结果显示，top 20 TF 中有 14 个与 pallium、forebrain 或 visual cortex development 有关。已知 regulator 在多个指标上显著靠前，包括 silhouette、iLISI、PCR 和综合分数。相比之下，CellOracle 和 expression-only EYKTHYR 都没有明显优于随机，说明空间信息和 chromatin accessibility 在这个任务里确实提供了额外信息。

这部分结果给全文立住了第一个可信点：EYKTHYR 不是把非空间 GRN 方法硬套到空间数据上，而是确实利用了局部空间邻域和 ATAC motif activity。

5.2 Msx1 案例：低表达 TF 也能被 ATAC 信号救回来

Figure 3 Msx1 案例

Msx1 是这篇文章最有说服力的案例之一。它在该组织中的 RNA 表达很低，如果只看 TF transcript expression，很容易把它当作“不重要”。但 EYKTHYR 根据染色质可及性推断出 Msx1 在 pallium 和 diencephalon 中有较强 activity，并预测它调控 DPallv 相关 metagene m11。

更关键的是，作者把 metagene 变化映射回 gene-level 后，发现预测的 downstream genes 显著富集于已有小鼠 GRN 中的 Msx1 downstream genes，P 值达到 4e-7。这说明模型不只是给出了一个漂亮的空间图，而是能和外部调控证据对上。

文章还提出了一个很有意思的候选机制：Nrg1 isoform II 的 alternative TSS 附近约 650 bp 有 Msx1 motif，并且落在 ENCODE proximal cCRE 区域内。该 isoform 主要在 DPallv 表达，还和神经发育、精神分裂症相关线索有关。作者据此提出，Msx1 可能调控 Nrg1 isoform II 的区域特异表达。

这张图最值得看的地方，是它展示了为什么不能只盯着 TF 的 RNA 表达。Msx1 的 transcript 很稀疏，但 chromatin accessibility 推出来的 activity 更连续，也更有空间结构。对空间多组学来说，这种“RNA 不显眼、ATAC 很显眼”的 TF 可能正是最容易被传统分析漏掉的一类。

5.3 小鼠 hindbrain：沿 radial glia 分化轨迹识别 Hes1

Figure 5 Hes1 案例

第二个应用换成了小鼠胚胎 hindbrain 的 spatial ATAC/RNA-seq 数据，研究 radial glia 向 postmitotic premature neurons 分化。这里的问题不再是离散细胞簇是否分开，而是连续发育轨迹会怎样被 TF perturbation 改变。

作者用 ventricle spots 的空间距离定义 pseudotime，然后比较自然分化方向向量和 TF knockout 引起的 metagene shift 向量。简单说，如果敲掉某个 TF 后，细胞状态明显沿着或逆着发育方向移动，那这个 TF 就可能参与了这个分化过程。

EYKTHYR 在这里突出了 Hes1。模型显示 Hes1 强烈影响 ventricle-proximal cells 中的 metagene m13；降低 Hes1 activity 后，ventricle cells 变得更像 hindbrain cells。这和 Hes1 缺失会导致 premature neuron production 和 progenitor depletion 的已知表型相符。

更强的证据来自 gene-level downstream genes：Hes1 perturbation 预测的下游基因与外部小鼠 GRN 高度富集，P 值为 8.1e-37，并富集 glial differentiation、axon guidance、nervous system development、L1CAM interactions 等通路。

这部分还有一个细节很重要：同一个 TF 的作用不是全组织一致的。文章显示 Hes1 在 ventricle-proximal 区域和 CNS 区域影响的 metagene 不同，说明 TF regulation 需要放回具体空间 compartment 里理解。

5.4 人黑色素瘤：T cell 状态受肿瘤微环境约束

Figure 6 melanoma T cell 案例

第三个应用是 human metastatic melanoma 的 Slide-tags single-cell multiome 数据。原研究按 tumor transcriptomic signature 定义了两个 tumor compartments，并分析 T cell infiltration；EYKTHYR 的 metagene 分析进一步区分出 proliferating T cells。

在 proliferating T cells 中，EYKTHYR 识别出 KLF4 和 YY1 具有 compartment-specific effects。KLF4 在两个 tumor compartments 中作用方向不同，符合它在不同上下文中既可能限制 T cell proliferation，也可能影响 exhaustion 的复杂角色。

YY1 的案例更能体现“空间上下文”的价值。作者模拟 YY1 knockout 后，发现 metagene m3 和 m4 在不同 tumor compartment 中的变化方向和幅度不同；这些变化还与 YY1 binding sites 的 promoter accessibility 差异有关。进一步筛选含 YY1 promoter motif 且 compartment 间 accessibility 不同的基因后，bottom tumor compartment 中 cell-cycle pathways 富集，而 top compartment 中没有类似富集。

也就是说，同一个 TF 并不是在整张组织切片上执行同一套程序。局部肿瘤微环境会改变它影响 T cell 状态的方式。

6. 这篇文章的创新点

  1. 明确面向 spatial multiome 的 TF regulator inference，而不是把非空间 scRNA/scATAC GRN 方法直接套上去。
  2. 用 metagene 作为中间层，降低稀疏数据中的噪声和参数量，同时保留 gene-level 可解释性。
  3. 从 chromatin accessibility 推断 TF activity，因此能识别 RNA 表达很低但 motif-accessibility 信号强的 TF，例如 Msx1。
  4. 每个细胞或 spot 都有局部 TF-metagene weights，因此可以分析 region-specific regulatory effects。
  5. in silico knockout 不只输出 TF 排名，还能预测 cell identity shift、空间向量场、受影响 metagene 和下游通路。

我觉得最值得借鉴的是第二点和第四点。很多空间组学文章会把空间结构当成可视化结果，但 EYKTHYR 是把空间邻域放进了调控模型本身。它的输出天然带着“在哪里起作用”的信息，而不是事后再把结果投回空间图上。

7. 需要谨慎看待的地方

这篇文章的方法思路很清晰，但也有几个地方不能看得太满。

第一，它仍然是 bioRxiv 预印本，尚未同行评议。结论可以作为很好的候选假设来源，但不要直接当成已经被实验完全验证的调控网络。

第二，EYKTHYR 依赖 paired spatial transcriptome 和 spatial chromatin accessibility 数据。这类数据目前还不算特别普及，如果只有普通空间转录组，方法的核心优势就发挥不出来。

第三，模型假设 TF activity 到 metagene expression 的关系近似线性。这个假设带来了可解释性，但也可能错过 TF cooperation、threshold effect、context-dependent enhancer logic 等非线性调控关系。

第四，TF activity 是由 motif-bearing accessible peaks 近似得到的。motif 出现在开放区域，并不等于该 TF 一定真实占据了这个位点，也不能直接处理 cofactor、protein abundance 和 post-translational modification。

第五，in silico knockout 更适合用来做方向判断和候选排序，不应理解成真实扰动实验的定量替代。真正要坐实某个 TF 的空间调控作用，还是需要 Perturb-FISH、spatial CRISPR 或类似实验验证。

8. 对后续工作的启发

如果我们的研究问题涉及空间组织结构中的 cell state transition、发育轨迹或 tumor microenvironment，EYKTHYR 值得重点关注。它给我的启发不是“又多了一个 GRN 软件”，而是提供了一种问题重构方式：

  1. 先把空间表达模式抽象成 metagene 或 gene program。
  2. 再把 chromatin accessibility 转成 TF activity。
  3. 最后问某个 TF 的局部 activity 变化，会让哪个空间 gene program、哪个细胞状态、哪个组织区域发生改变。

这比单纯比较 DEG 或 peak accessibility 更接近“谁在驱动空间状态变化”的问题。尤其是在我们有 RNA + ATAC 或其他空间多组学数据时，可以先用类似思路筛出候选 TF，再把最可信的几个交给后续实验或更细的机制分析。

另一个值得注意的点是 metagene。空间数据通常很吵，直接在 gene-level 上做模型容易不稳定。把空间共表达模式先压缩为 metagene，既能减少参数量，也更符合“组织区域通常由一组 gene program 定义”的直觉。这个思想不一定只能用于 EYKTHYR，也可以迁移到其他空间多组学整合任务里。

9. 阅读顺序建议

如果只是快速读这篇文章，我建议按这个顺序：

  1. 先看 Figure 1 和 Methods 的模型部分，确认 metagene -> TF activity -> local ridge regression -> in silico knockout 这条链路。
  2. 再看 Figure 3 的 Msx1 案例，因为它最能说明为什么要用 chromatin accessibility，而不是只看 TF expression。
  3. 接着看 Figure 5 的 Hes1 案例，理解连续发育轨迹下如何评价 TF perturbation。
  4. 最后看 Figure 6 的 melanoma 案例，用来理解同一个 TF 为什么会有 tumor compartment-specific effect。

整篇文章最核心的句子可以概括成：空间多组学里的调控因子，不应该只按全局表达量排序，而应该放在局部空间邻域、染色质可及性和 gene program 变化之间一起判断。