综述：人工智能在癌症空间转录组学中的进展：聚焦于YY1和RKIP

　　本综述系统阐述了人工智能（AI）与空间转录组学（ST）在癌症研究中的融合应用，重点探讨了YY1（Yin Yang 1）和RKIP（Raf kinase inhibitor protein）的分子机制与空间表达模式。通过机器学习（ML）算法（如支持向量机SVM、随机森林RF、卷积神经网络CNN）及统计方法（如PCA、t-SNE、UMAP），揭示了肿瘤微环境异质性、染色质空间结构（如Hi-C、ChIA-PET）及免疫治疗响应机制，为癌症精准诊疗提供新范式。

　　

引言

空间转录组学（Spatial Transcriptomics, ST）通过整合基因表达数据与空间位置信息，突破了传统批量RNA测序（bulk RNA-seq）和单细胞RNA测序（scRNA-seq）的技术局限，为解析癌症微环境的细胞异质性和空间组织结构提供了革命性工具。近年来，人工智能（AI）与机器学习（ML）方法的介入显著提升了ST数据的分析能力，尤其在癌症分类、预后预测及分子机制挖掘中展现出巨大潜力。本综述以转录因子Yin Yang 1（YY1）和Raf激酶抑制蛋白（RKIP）为焦点，探讨AI如何推动ST在癌症研究中的创新应用。

人工智能在ST中的关键技术

监督学习与无监督学习

监督学习算法（如支持向量机SVM、随机森林RF）通过预标注数据训练模型，实现癌症区域分类和临床结局预测。例如，RF框架Peakachu成功预测了YY1介导的染色质环（chromatin loop）结构，揭示了其在调控基因表达中的空间作用。无监督学习方法（如聚类、主成分分析PCA、t-SNE和UMAP）则无需预先标注，直接从数据中挖掘隐藏模式。t-SNE分析在肺癌研究中揭示了YY1与RKIP的互斥表达模式：YY1高表达于上皮性肺癌细胞，而RKIP富集于髓系细胞、成纤维细胞等 stromal 成分。

深度学习与空间聚类

卷积神经网络（CNN）通过处理图像化ST数据，精准识别肿瘤区域并提取空间特征。自编码器（Autoencoder）则通过编码-解码结构降维去噪，提升数据质量。空间聚类算法（如SpatialDE、MERFISH、seqFISH）进一步识别组织内生物学区域，发现肿瘤亚群和空间域（spatial domains）。例如，SpatialDE通过统计建模识别空间可变基因，辅助解析肿瘤形态与分子谱的关联。

多组学数据整合

AI技术促进了ST与基因组学、蛋白质组学、代谢组学的整合。例如，GeoMx DSP和DBiT-seq技术通过抗体衍生标签（antibody-derived tags）实现转录本与蛋白质的空间共定位，揭示YY1和RKIP在肿瘤免疫微环境中的调控网络。这类多模态分析为癌症生物标志物发现和个性化治疗策略提供了坚实基础。

YY1与RKIP的癌症生物学机制

YY1作为转录因子，可通过激活或抑制靶基因表达参与肿瘤进展。其在多种实体瘤中表达升高，并通过H3K18乳酰化（lactylation）等表观遗传机制促进膀胱癌的 cisplatin 耐药性。RKIP（基因名PEBP1）则是一种肿瘤抑制因子，通过抑制MAPK和NF-κB信号通路调控肿瘤转移和耐药性。低表达RKIP与癌症不良预后相关，且其空间分布与免疫细胞浸润密切相关。AI驱动的ST分析显示，YY1与RKIP在空间上呈互斥表达，提示二者在肿瘤微环境中可能具有拮抗功能。

关键应用与案例

1. 1.

   IQI-GWO优化SVM分类：通过改进量子灰狼优化算法（IQI-GWO）优化SVM参数，提升乳腺癌 mammography 图像中癌区分类的准确性。

2. 2.

   Seurat与SCVI-tools：应用于膀胱癌 scRNA-seq 数据，发现YY1通过激活糖酵解基因介导化疗耐药。

3. 3.

   TAPE自编码器：实现细胞类型特异性基因表达预测，助力肿瘤异质性解析。

4. 4.

   IMPRESS管道：基于活检图像特征预测患者对新辅助化疗的响应，推动个性化医疗。

挑战与未来方向

ST数据分析仍面临计算复杂度高、数据稀疏性、批次效应及模型可解释性等挑战。未来需开发更高效的算法和标准化流程，促进多中心数据整合与临床转化。同时，结合单细胞ST技术和实时分析工具，有望实现癌症动态监测与治疗策略动态调整。

结论

人工智能与空间转录组学的结合深刻改变了癌症研究范式。通过YY1和RKIP等案例，可见AI技术在揭示空间分子网络、肿瘤异质性和治疗靶点中的核心作用。未来，随着算法创新与多组学整合的深入，ST将在癌症精准医疗中发挥更关键的价值。