The recent advance of spatial transcriptomics (ST) technique provides valuable insights into the organization and interactions of cells within the tumor microenvironment (TME). While various analytical tools have been developed for tasks such as spatial clustering, spatially variable gene identification, and cell type deconvolution, most of them are general methods lacking consideration of histological features in spatial data analysis. This limitation results in reduced performance and interpretability of their results when studying the TME. Here, we present a computational framework named, Morphology-Enhanced Spatial Transcriptome Analysis Integrator (METI) to address this gap. METI is an end-to-end framework capable of spatial mapping of both cancer cells and various TME cell components, robust stratification of cell type and transcriptional states, and cell co-localization analysis. By integrating both spatial transcriptomics, cell morphology and curated gene signatures, METI enhances our understanding of the molecular landscape and cellular interactions within the tissue, facilitating detailed investigations of the TME and its functional implications. The performance of METI has been evaluated on ST data generated from various tumor tissues, including gastric, lung, and bladder cancers, as well as premalignant tissues. Across all these tissues and conditions, METI has demonstrated robust performance with consistency.

Recent advances in spatial transcriptomics (ST) techniques provide valuable insights into cellular interactions within the tumor microenvironment (TME). However, most analytical tools lack consideration of histological features and rely on matched single-cell RNA sequencing data, limiting their effectiveness in TME studies. To address this, we introduce the Morphology-Enhanced Spatial Transcriptome Analysis Integrator (METI), an end-to-end framework that maps cancer cells and TME components, stratifies cell types and states, and analyzes cell co-localization. By integrating spatial transcriptomics, cell morphology, and curated gene signatures, METI enhances our understanding of the molecular landscape and cellular interactions within the tissue. We evaluate the performance of METI on ST data generated from various tumor tissues, including gastric, lung, and bladder cancers, as well as premalignant tissues. We also conduct a quantitative comparison of METI with existing clustering and cell deconvolution tools, demonstrating METI's robust and consistent performance. Integrating tissue histology with spatial transcriptomics (ST) can significantly enhance the analysis of tumor heterogeneity and the tumor microenvironment (TME). Here, the authors present METI, a computational framework to analyze cancer cells and the complex TME by integrating ST with histology imaging.

Abstract Multi-modal spatial omics data are invaluable for exploring complex cellular behaviors in diseases from both morphological and molecular perspectives. Current analytical methods primarily focus on clustering and classification, and do not adequately examine the relationship between cell morphology and molecular dynamics. Here, we present MorphLink, a framework designed to systematically identify disease-related morphological-molecular interplays. MorphLink has been evaluated across a wide array of datasets, showcasing its effectiveness in extracting and linking interpretable morphological features with various molecular measurements in multi-modal spatial omics analyses. These linkages provide a transparent depiction of cellular behaviors that drive transcriptomic heterogeneity and immune diversity across different regions within diseased tissues, such as cancer. Additionally, MorphLink is scalable and robust against cross-sample batch effects, making it an efficient method for integrative spatial omics data analysis across samples, cohorts, and modalities, and enhancing the interpretation of results for large-scale studies.

Abstract We conducted a phase I trial to determine the optimal dose of triplet therapy with the tyrosine kinase inhibitor sitravatinib plus nivolumab plus ipilimumab in 22 previously untreated patients with advanced clear cell renal cell carcinoma. The primary endpoint was safety. Secondary endpoints were objective response rate (ORR), disease control rate (DCR), duration of response (DOR), progression-free survival (PFS), overall survival (OS), 1-year survival probability, and sitravatinib pharmacokinetics. Sitravatinib dose of 35 mg daily plus nivolumab 3 mg/kg and ipilimumab 1 mg/kg resulted in high frequency of immune-related adverse events. Subsequent dose reduction of ipilimumab to 0.7 mg/kg allowed safe escalation of sitravatinib up to 100 mg daily. Overall, the triplet combination achieved ORR 45.5%, DCR 86.4%, median PFS 14.5 months, and 1-year survival 80.8%. Median OS and DOR were not reached. Sitravatinib exposure increased dose-dependently. Single-cell RNA-seq of longitudinally collected tumor biopsies from 12 patients identified a tumor cell-specific epithelial-mesenchymal transition-like program associated with treatment resistance and poor outcomes. Treatment resistance was characterized by a transition from cytotoxic to exhausted T cell state and enrichment for M2-like myeloid cells. The observed hypothesis-generating changes in gene expression dynamics and cellular states may help inform future strategies to optimize immunotherapy efficacy. Clinical Trials.gov identifier: NCT04518046