人類胰島內分泌細胞的空間組織如何調節刺激性荷爾蒙分泌

Spatial Organization of Human Islet Endocrine Cells Modulates Stimulated Hormone Secretion
Fan Feng, Ph.D.｜Brissova Lab, Vanderbilt University Medical Center

開場與研究問題：從胰島組成到胰島空間組織

Fan Feng 以一個以資料為中心的 cohort analysis 開場，主題是：人類胰島（human islet）內分泌細胞的組成與組織方式，如何可能影響胰島功能，特別是刺激後荷爾蒙分泌（stimulated hormone secretion）。
他首先聲明沒有利益衝突，接著回到胰島研究的基本限制與研究動機。

胰島是胰臟內的小型內分泌 mini-organ，透過分泌胰島素、升糖素、生長抑素等荷爾蒙來調節葡萄糖恆定。然而，人類胰島非常難以直接研究，原因包括：

胰島只占整個胰臟質量約 1–2%。
健康人胰臟無法安全地進行 biopsy。
因此，許多人類胰島知識必須依賴 器官捐贈者組織、胰島分離計畫與 ex vivo 分析。

胰島作為 mini-organ，不只包含 β cells、α cells、δ cells 等內分泌細胞，也與腺泡細胞（acinar cells）、微血管（capillary）、神經纖維（nerve fiber）、導管（duct）與免疫細胞如 macrophage 等結構共同構成局部微環境；這也是「組織方式」可能具有功能意義的背景。

在 Vanderbilt 與相關胰島分發計畫中，研究團隊可對人類分離胰島進行多層次 phenotyping 與 genotyping，包括：

功能分析（functional analysis）：例如胰島 perifusion，測量 insulin secretion 與 glucagon secretion。
組織學分析（histological analysis）：胰島 embedding、immunostaining，評估內分泌與外分泌細胞組成。
形態、純度與存活度分析：islet morphology, purity, viability。
基因型分析（genotyping）。

本場演講聚焦在 phenotyping，尤其是 Vanderbilt 團隊建立的標準操作流程（SOP）。這套 SOP 已應用於約 一千位個體捐贈者的 isolated human islets，形成可進一步做 cohort-level analysis 的大型資料基礎。

以 dynamic perifusion 量測胰島刺激性荷爾蒙分泌功能

接著，研究從胰島功能開始。胰島的 hormone secretory function 以 dynamic perifusion 實驗量測。這是一個約 150 分鐘的流程，胰島依序暴露於不同刺激條件下，包括：

基礎葡萄糖條件。
高葡萄糖。
高葡萄糖加 IBMX。
低葡萄糖加 adrenaline / epinephrine。
potassium chloride（KCl）。

在此過程中，同時量測：

Insulin secretion response
Glucagon secretion response

並取得每位 donor 胰島的 time-series secretion curves。研究團隊再利用 computational methods 從曲線中定義功能 traits，例如：

Basal secretion。
每個刺激 peak 的 stimulation index（SI）。
每段刺激下的 area under the curve（AUC）。
抑制條件下的 inhibition index（II）。

總共可從 insulin 與 glucagon secretion curves 得到約 20 個 computational traits。

實驗曲線的單位與條件更具體地說，insulin secretion 以 ng/100 IEQs/min 表示，glucagon secretion 以 pg/100 IEQs/min 表示；baseline 條件為 G 5.6，主要刺激包括 G 16.7、G 16.7 + IBMX 100、G 1.7 + Ad 1，以及 KCl 20。Basal secretion 通常取最初三個時間點的平均值；SI 使用對應刺激區段的最大點，II 使用抑制區段的最低點，AUC 則依各刺激區段計算。

這套功能 phenotyping 是後續所有空間組織分析的功能端點：研究者不只是問「細胞長在哪裡」，而是問「這些細胞如何排列，是否能解釋或預測 hormone secretion traits」。

既有發現：人類胰島細胞組成與荷爾蒙分泌功能高度相關

在進入空間組織之前，Fan Feng 先回顧團隊近期已發表的研究：人類胰島細胞組成與胰島功能高度相關。
這裡的組成指的是：

β-cell percentage。
α-cell percentage。
δ-cell percentage。

功能則是前面 dynamic perifusion 所取得的 insulin 與 glucagon secretion traits。

在一個 299 位非糖尿病捐贈者 cohort 中，團隊以 partial correlation / regression 的方式，評估胰島組成與功能 traits 的關係，並校正多項 donor 與處理流程共變項，包括：

年齡。
性別。
reported race/ethnicity。
BMI。
HbA1c。
islet isolation center。
pre-shipment culture time。
islet transit time。

結果顯示，細胞組成與 hormone secretion traits 之間有明顯關聯。例如，δ-cell percentage 與多個 insulin secretion traits 呈負向關聯。換言之，在這個 cohort 中，δ cells 比例較高的 donor，其胰島對刺激的 insulin secretory response 往往較弱。

這項組成—功能關聯分析涵蓋多個 insulin traits，例如 basal secretion、G 16.7 first AUC、G 16.7 second AUC、G 16.7 overall AUC、G 16.7 SI、G 16.7 + IBMX 100 AUC/SI、G 1.7 + Ad 1 AUC/II，以及 KCl 20 AUC/SI；glucagon traits 則包括 basal secretion、G 16.7 AUC/II、G 16.7 + IBMX 100 AUC/SI、G 1.7 + Ad 1 AUC/SI、KCl 20 AUC/SI。這些結果來自 Evans-Molina、Pettway、Saunders、Sharp、Gloyn、Niland、Brissova 等人的 Nature Communications 研究。

胰島組成是如何量測的？研究團隊使用 isolated islets 的 histological images，透過 immunohistochemistry / immunostaining 標定：

Insulin：β cells。
Glucagon：α cells。
Somatostatin：δ cells。
DAPI：細胞核。

接著依據各 hormone stain 的面積比例量化組成。這些圖像也顯示，即使在非糖尿病 donors 中，人類胰島組成仍具有高度 heterogeneity。不同 donor 的 α、β、δ cell proportions 差異相當大。

在同一批組織學分析中，donor 層級的細胞組成也會受到生物背景影響；例如補充分析顯示，胰島組成可依 donor sex 與 genetic ancestry 而有所差異，即使已校正 donor age、BMI、HbA1c、islet isolation center、pre-shipment culture time 與 transit time。這也是為何後續模型必須嚴格納入共變項調整。

從「細胞組成」推進到「細胞空間組織」

雖然 histological images 可用來量化細胞組成，但 Fan Feng 強調：如果重新思考這些圖像，其實它們包含的資訊遠超過「有多少 β、α、δ cells」而已。特別是人類胰島具有與小鼠胰島不同的排列特徵。

典型 mouse islet 常被描述為：

β cells 聚集於核心。
α cells 與 δ cells 較偏向周邊。

相較之下，人類胰島的主要內分泌細胞類型常被形容為高度 intermingled。過去文獻甚至指出，人類胰島中三種主要 endocrine cell types 似乎是隨機分布的。

Fan Feng 將問題重新表述為兩個核心研究問題：

人類胰島細胞真的是隨機組織的嗎？
如果不是，這些空間組織 pattern 是否也具有功能影響？

小鼠與人類胰島結構差異的經典比較可追溯至 Brissova 等人在 Journal of Histochemistry & Cytochemistry 的研究；該差異提醒我們，不能直接把 mouse islet 的 core–mantle organization 套用到 human islet。

大型人類胰島組織影像 cohort 與機器學習標註流程

為回答上述問題，團隊分析了一個大型 isolated islet histological image cohort。資料包括：

600 位無糖尿病 donors 的 isolated islet images。
其中 566 位 donors 同時具有 hormone secretion data。
圖像資料公開於 pancreatic atlas platform。

該 cohort 來自 Integrated Islet Distribution Program（IIDP）與 Human Pancreas Analysis Program（HPAP），圖像可透過 pancreatlas.org 查詢。Donor demographics 包括女性 232 位（39%），年齡 46 ± 13 歲、BMI 29.6 ± 6.0、HbA1c 5.40 ± 0.43；男性 368 位（61%），年齡 42 ± 14 歲、BMI 28.9 ± 5.3、HbA1c 5.40 ± 0.38。

影像中同樣以三種主要 hormone markers 標記 endocrine cell types：

INS：β cells。
GCG：α cells。
SST：δ cells。
DAPI：nuclei。

接著使用 computational image analysis pipeline：

先標註每個 islet。
進行 cell segmentation。
使用 machine-learning approaches 為每個 cell 標註細胞類型。

在一個示範區域中，可以看到原始 stain 圖像與對應的 annotation result：每個 cell 被分派為 β、α、δ 或其他類型。經由此流程，團隊總共取得：

約 48,000 個 islets。
約 750 萬個 cells。
其中約 500 萬個 endocrine cells。

這些 computational annotation 得到的 endocrine composition 與先前研究結果相當一致，支持此流程可用於 cohort-scale spatial organization analysis。

更精確地說，後續 boundary–core analysis 使用的 islet 數為 47,818；在 cell-cell proximity graph 中，約有 5.0 million endocrine nodes，以及 9.6 million edges between endocrine cells。

以 cell-cell proximity graph 描述胰島內細胞鄰近關係

當所有 cells 與 islets 都被標註後，分析就能從「每種細胞占多少比例」進一步推進到「細胞彼此如何排列」。
團隊將每個 islet 表示為一個 cell-cell proximity graph / network：

每個 node 是一個 cell。
每條 edge 連接空間上相鄰的 cells。

這裡的 edge 有時為方便稱為 interaction，但 Fan Feng 特別提醒，這不代表它們在生物學上一定有直接功能性交互作用；它只是表示兩個細胞在圖像空間中彼此鄰近。

這種 graph representation 提供了一種結構化方式，讓研究者能描述：

哪些細胞彼此靠近。
同類細胞是否傾向聚集。
不同 cell types 之間的 proximity pattern。
整個 islet 的 spatial organization。

分析首先檢驗同一種 cell type 之間的接觸是否比隨機情況更豐富。方法是計算例如 β–β edges 占所有 edges 的比例，然後與 random permutation 比較。這裡的 random 是指：在保留細胞數與位置結構的前提下，隨機打亂 cell type labels，觀察同類接觸比例在隨機狀態下應該是多少。

結果顯示，同類細胞之間的 proximity enrichment 普遍高於隨機預期。
例如 β–β contacts：

每個點代表一個 islet。
每一欄代表來自同一 donor 的所有 islets。
約 88% 的 islets 具有高於隨機預期的 β–β contact enrichment。

同樣現象也出現在 α–α 與 δ–δ interactions。

α–α contact enrichment 中約 68% 的 islets 高於 random；δ–δ contact enrichment 中約 63% 的 islets 高於 random。這些分析涵蓋全部 600 位無糖尿病 donors，代表即使人類胰島表面上高度 intermingled，仍存在可量化且非隨機的同類細胞局部聚集。

這個結果回答了第一個研究問題：人類胰島內分泌細胞並非完全隨機分布。它們具有某種程度的 spatial organization。

以 graph neural network 檢驗：空間組織是否提供額外功能預測力？

下一個問題是：這些 spatial organization patterns 是否與胰島功能相關？
為此，團隊建立了一個 deep learning model，核心概念是比較「真實空間組織」與「隨機打亂 cell type labels 後的控制圖」在預測 hormone secretion traits 上的表現。

模型流程如下：

將真實 islet graphs 輸入 neural network。
模型將 graph 轉換為 cell embeddings。
Fan Feng 類比說，這有點像 large language model 將人類語言轉換為 token embeddings。
將 embeddings 依 donor 聚合。
加入 covariates。
預測該 donor 的 secretion traits。

控制組則是 permuted graphs：

保留 graph structure 不變。
保留 composition 不變。
只隨機打亂 cell type labels。
再用完全相同的模型流程預測 hormone secretion traits。

這個設計的關鍵邏輯是：

如果 real islet graphs 的模型表現優於 permuted graphs，代表「真實細胞空間組織」本身提供了超越組成比例的額外功能資訊。

結果顯示，在預測 insulin secretion traits 的任務中，幾乎所有 insulin traits 中，使用 real islet structure 的模型都達到最高預測表現。模型表現以 R² 量化，real graph 的 R² 通常高於 100 次 random permutations 的結果。

這支持一個重要結論：
endocrine spatial organization carries additional information about islet function, especially insulin secretion。

不過，Fan Feng 也指出，對 glucagon secretion traits 而言，並未觀察到同樣的 performance boost。也就是說，在這個模型與資料設定下，空間組織對 insulin secretion 的預測貢獻比對 glucagon secretion 更明顯。

在 insulin traits 的 real vs. permuted graph comparison 中，R² 以 per-trait Z-score 呈現；多數 insulin secretion readouts 的 real-islet model 顯著優於 100 次 permutation，例如 basal secretion p=0.010、G 16.7 AUC p=0.010、G 16.7 phase 1 AUC p=0.010、G 16.7 phase 2 AUC p=0.010、G 16.7 + IBMX AUC p=0.010、G 16.7 + IBMX SI p=0.040、G 1.7 + Epi AUC p=0.010、G 1.7 + Epi II p=0.040、KCl 20 AUC p=0.010、KCl 20 SI p=0.020；G 16.7 SI 則未達顯著，p=0.465。

從 black box 到可解釋空間特徵：boundary-to-core distribution

Fan Feng 接著承認，deep learning model 雖然能顯示 spatial organization 具有額外預測力，但也容易被視為 black box。因此團隊進一步尋找更直觀、可解釋的 spatial features。
由於時間限制，本場只介紹其中一個：boundary-to-core distribution pattern。

分析方式如下：

對每個 islet 中的每個 cell，計算該 cell 到 islet boundary 的距離。
將 islet 從邊界到核心分成五層。
分別量化每一層中的 endocrine cell composition。
比較不同層之間 α、β、δ cells 的分布差異。

結果非常有意思：三種主要 endocrine cell types 都呈現非隨機的 radial distribution。

β cells 較富集於 islet boundary。
α cells 較富集於 islet core。
δ cells 也較富集於 islet core。

這代表人類胰島雖不像 mouse islet 那樣呈現明顯 β-cell core / α-cell mantle 的經典結構，但仍存在 subtle yet significant boundary–core organization。

在 47,818 個 islets 中，normalized distance 從 R=0 的 boundary 到 R=1 的 core，可細分為 0.0–0.1 到 0.9–1.0 的十個距離區間，並可彙整為五層。β cells 在 boundary enrichment 的統計顯著性達 p<10⁻³⁰⁰；α cells 在 core enrichment 亦達 p<10⁻³⁰⁰；δ cells 在 core enrichment 達 p=1.4×10⁻⁶。相關分析由 Saunders、Feng、Hopkirk、Aamodt、Hart、Pan、Wright、Atkinson、Powers、Brissova 等人在人類內分泌胰臟發育與成熟圖譜研究中延伸使用，該工作已被 Nature Communications 接受。

boundary–core distribution 與胰島素分泌功能的關聯

在確認 boundary-to-core distribution 不是隨機現象後，團隊進一步測試這種 radial organization 是否與 hormone secretion function 相關。

這裡 Fan Feng 以 δ cells 為例。研究者計算每位 donor 在五個 boundary-to-core layers 中的 δ-cell percentage，並將其與 insulin secretion traits 做 association analysis。模型同樣校正：

年齡。
性別。
BMI。
HbA1c。
reported race/ethnicity。
isolation center。
pre-shipment culture time。
transit time。
donor-level α/β/δ composition。

也就是說，這項分析不只是問「δ cells 多不多」，而是問：在總體細胞組成相同或已校正後，δ cells 位於 boundary 或 core 是否仍與功能有關？

結果顯示，位於 islet core 的 δ-cell percentage 與部分 insulin secretion traits 呈負相關。換言之，在這個 cohort 中，如果 donor 的胰島中 δ cells 更富集於核心，該 donor 的胰島對刺激的 insulin secretory response 傾向較弱。

這是整場演講的重要推進：
細胞組成本身會影響功能，但同樣的細胞組成如何被空間排列，也可能提供額外的功能訊息。

在 N=566 的 donor subset 中，boundary–core pattern 與 function 的 partial correlation heatmap 顯示，δ-cell percentage 在不同 radial layers 中與 basal secretion、G 16.7 AUC/SI、G 16.7 phase 2 AUC、G 16.7 + IBMX AUC/SI、G 1.7 + Epi II、KCl 20 AUC/SI 等 insulin traits 具有不同方向與強度的關聯；核心層 δ-cell percentage 較高時，多個 insulin readouts 呈負向 partial correlation，並以 q value <0.05 或 <0.01 標示顯著性。

研究總結：人類胰島組成與組織皆與功能相關

Fan Feng 將結果總結為三個層次。

第一，human islet composition strongly associates with islet function。
β、α、δ cell proportions 與 stimulated hormone secretion traits 有明確關聯，特別是 δ-cell percentage 與多個 insulin secretion traits 的負向關聯。

第二，human islet organization is not random。
即使人類胰島看起來高度 intermingled，同類 endocrine cells 之間的 proximity contacts 仍高於隨機預期，並且不同細胞類型沿 boundary-to-core axis 呈現非隨機分布。

第三，islet organization has additional predictive power beyond composition alone。
Graph neural network 分析顯示，真實 cell organization 對 insulin secretion traits 的預測力優於隨機打亂 cell labels 的控制模型；而可解釋特徵如 boundary-to-core δ-cell distribution 也與 insulin secretion function 相關。

研究限制與未來方向

Fan Feng 也清楚指出目前分析的限制。

首先，目前 cohort 主要使用的是 2D histological images，但真實胰島是三維結構。2D section 雖能提供大量 spatial information，但無法完整捕捉整個 islet 的 3D architecture。

第二，目前分析尚未納入完整的 cell morphology。也就是說，細胞大小、形狀、elongation、nuclear features 等可能與功能相關的形態資訊仍未全面整合。

第三，目前主要聚焦於 endocrine cell types，尚未充分納入其他 cell types，例如 endothelial cells、pericytes、immune cells、neuronal elements 等。這些細胞可能透過 vascular niche、paracrine signaling 或 extracellular matrix 等機制影響胰島功能。

未來方向包括：

使用 CODEX images 納入更多 protein markers 與 cell types。
取得與整合 spatial transcriptomics。
解析其他 cell types 在胰島功能中的角色。
探索這些 spatial organization–function correlations 背後可能的 cell signaling 或 metabolic pathways。
將分析延伸到 diabetic donors，特別是 type 2 diabetes donors。

PanKbase：人類胰島功能資料與互動式分析資源

演講最後，Fan Feng 邀請聽眾若對胰島功能資料有興趣，可使用由團隊同事開發的 PanKbase 平台。這是一個 human pancreatic studies 的 knowledge base，包含：

資料。
分析結果。
對資料的解釋與詮釋。
可供 hypothesis generation 的互動工具。

PanKbase / PanKgraph 介面包含 Pancreatic Islet Function Data Tool，可進行 interactive cohort filtering，例如依疾病狀態、genetic sex、center、age range、BMI range 篩選 donors；也能查看 time-series / stimulation response、functional feature plots、trait distribution，並支援 agent-ready interpretation。功能資料來自 HPAP，使用 Vanderbilt-developed islet phenotyping pipeline；平台定位是協助快速生成假說、透明檢視 cohort，並連結未來 agent-assisted interpretation。

最後，Fan Feng 感謝 Powers & Brissova group、IIDP、HPAP、合作研究者、資助單位，以及最重要的器官捐贈者與其家屬。

Q&A 討論

Type 2 diabetes 中，這些細胞連結或空間組織是否改變？

第一個問題來自中國南京的提問者：在 type 2 diabetes 狀態下，這些 cell-cell connections 或 spatial organization 是否會改變？

Fan Feng 的簡短回答是：是的，在 cohort 中確實看到變化。
但他也立即補充，type 2 diabetes 的分析更複雜，因此沒有放進這次簡報。

原因在於 type 2 diabetes donors 本身非常 heterogeneous，例如：

有些 donor 可能只有約 1–2 年的 type 2 diabetes 病史。
有些 donor 則可能有超過 10 年病史。
還有許多共變項與潛在混雜因子，例如治療史、是否使用 insulin 或其他藥物等。

因此，雖然初步答案是「會改變」，但要把 disease duration、治療、代謝狀態與 donor background 都拆解清楚，需要更完整、更專門的分析。

為什麼人類胰島相較於小鼠有更多 α cells？

第二個問題回到跨物種差異：小鼠胰島通常 β cells 較多、α cells 較少；人類胰島似乎有更多 α cells。是否有線索解釋為什麼？

Fan Feng 表示，這是非常困難的問題，尤其從 computational scientist 的角度來說，目前很難給出機制性答案。
他強調，人類 donor 之間本來就有高度多樣性。在非糖尿病 donors 中，α-cell percentage 可以從大約 5% 到 50% 不等。也就是說，並不存在單一「標準」人類胰島組成。

即使不同個體的 α/β cell composition 差異很大，多數人在體內仍可維持功能。這表示人類胰島可能具有很大的組成彈性與功能補償能力。至於為何人類與小鼠在演化或生理需求上形成不同胰島組織結構，Fan Feng 認為仍是 open question。

補充分析也支持人類胰島組成的 donor-level heterogeneity：在校正年齡、BMI、HbA1c、islet isolation center、pre-shipment culture time 與 transit time 後，islet composition 仍可因 donor sex 與 genetic ancestry 而異，進一步說明人類胰島組成不能簡化為單一固定比例。

δ cells 靠近核心是否會抑制 insulin secretion？

第三個問題聚焦在 δ-cell spatial distribution：根據研究結果，如果 δ cells 更靠近 islet core，是否代表它們會抑制 insulin secretion？

Fan Feng 特別謹慎地回答：這裡看到的是 correlation，不是 causal relationship。
目前 cohort analysis 無法證明「δ cells 位於核心」本身導致 insulin secretion 變弱。可能存在共同原因或混雜因子，例如：

genetic factors。
尚未測得的 donor-level variables。
胰島分離或培養流程相關因素。
其他細胞類型或局部微環境因素。

因此，正確的說法是：在此 cohort 中，當 donor 的胰島有更多 δ cells 位於核心時，該 donor 的胰島對刺激的 insulin response 傾向較弱。但這不應直接解讀為因果。

如果未來要尋找功能性解釋，Fan Feng 認為可能與 endocrine cell 之間的 paracrine signaling 有關。δ cells 分泌的 somatostatin 已知可影響 α cells 與 β cells 的功能，因此 δ-cell location 可能改變局部 somatostatin signaling 的作用範圍或強度。不過，他強調這仍只是 hypothesis，目前這個 cohort 本身無法回答因果機制。

胰島內的 cell-cell communication 是高度複雜的：δ cells 透過 somatostatin，α cells 透過 glucagon、acetylcholine 等訊號，β cells 透過 insulin、GABA、serotonin 等訊號，並與 endothelial cells、pericytes、epsilon cells 及多種 growth factors / trophic signals 共同構成局部調控網絡。因此，δ-cell core enrichment 與 insulin secretion 減弱之間可能涉及 paracrine network，而不只是單一細胞比例或單一距離效應。

主持人最後因時間限制結束 Q&A，並建議會後繼續討論。

Take-home Summary

人類胰島無法在健康人中安全 biopsy，研究高度依賴 donor islets 與 ex vivo phenotyping。
Vanderbilt-developed dynamic perifusion SOP 可從 insulin 與 glucagon secretion curves 萃取多個功能 traits，包括 basal secretion、SI、II 與 AUC。
在非糖尿病 donors 中，β、α、δ cell composition 與 hormone secretion traits 顯著相關；δ-cell percentage 尤其與多個 insulin secretion traits 呈負向關聯。
Histological images 不只可量化 composition，也可解析 spatial organization。
人類胰島雖高度 intermingled，但並非隨機排列；β–β、α–α、δ–δ contacts 均比 random permutation 更富集。
Graph neural network 顯示，真實 cell spatial organization 對 insulin secretion prediction 有額外貢獻，超越單純 composition。
Boundary-to-core analysis 顯示 β cells 較偏 boundary，α 與 δ cells 較偏 core；核心 δ-cell enrichment 與較弱 insulin secretory response 相關。
目前結果是 correlation 而非 causation；未來需結合 3D imaging、CODEX、spatial transcriptomics、其他 cell types 與 diabetic donor cohorts 來解析機制。