编辑 | KX
空间转录组学是继单细胞转录组学出现以来，在生物样本分解领域的又一重大进展。多组学数据的调整至关重要。
近日，新加坡科技研讨局（A*STAR）、华大基因和上海交通大学医学院附属仁济医院等组成的研讨团队，提出了一种具有双注意力机制的图神经网络模型 SpatialGlue，能够以空间感知的方式调整多组学数据。
SpatialGlue 能够有效地将多种数据模态与其各自的空间背景相结合，以揭示构造样本的构造学相关结构。
研讨证明，与其他法子相比，SpatialGlue 可以捕捉更多的剖解细节，更准确地解析空间域，例如大脑皮层。该法子还识别了位于三个分别区域的细胞类型，例如脾脏巨噬细胞亚群，而这些区域在原始数据注释中是没有的。
该研讨凸显了多模态空间组学在分解生物复杂性方面的能力。
相关研讨以「Deciphering spatial domains from spatial multi-omics with SpatialGlue」为题，于 6 月 21 日发布在《Nature Methods》上。
论文链接：https://www.nature.com/articles/s41592-024-02316-4
空间多组学数据调整面临挑战
目前，空间技术正在扩张到空间多组学，即在单个构造切片上同时分解分别的组学。这些技术大致可分为两类：基于测序和基于成像。为深入理解细胞及新兴构造特性提供了可能。
为了充分利用空间多组学数据来构建所研讨构造的连贯图像，需要对异构数据模态进行空间感知调整。由于分别模态的特征计数可能存在巨大差异和分别的统计分布，多组学数据调整面临重大挑战。当将空间信息与每个数据模态内的特征计数相结合时，这一挑战更加严峻。
目前，还没有专门为从同一构造切片获得的空间多组学设计的工具。因此，需要专门针对空间多组学数据量身定制的工具来应对调整空间多组学数据以进行下游分解的挑战。特别是，需要能够进行空间感知跨组学调整的新法子。
SpatialGlue 模型结构
SpatialGlue 通过有效地将多组学模态数据与空间信息相结合，以更高的分辨率解读构造样本的空间域。SpatialGlue 是一种基于图神经网络 (GNN) 的深度学习模型。
SpatialGlue 首先应用 k 最近邻 (KNN) 算法，应用空间坐标构建空间街坊图，并应用每个组学模态的归一化表达数据构建特征街坊图。
然后，对于每个模态，GNN 编码器采用归一化表达和街坊图，通过迭代聚拢街坊的示意来学习两个一定于图的示意。为了捕捉分别图的重要性，设计了一个模态内注意聚拢层，以自适应地调整一定于图的示意并获得一定于模态的示意。
最后，为了保留分别模态的重要性，SpatialGlue 应用模态间注意聚拢层来自适应地调整一定于模态的示意并输出最终的斑点集成示意。
图示：用于空间多组学数据分解的可解释深度双重注意模型。（来源：论文）
为了评估所提出的 SpatialGlue 模型的有效性，研讨人员首先应用模仿数据通过一系列消融研讨，验证了注意力和其他组件的重要性。随后，表征了 SpatialGlue 对输入的街坊数量、主成分分解（PCA）维度以及 GNN 层数的敏感度。
分辨率更高，捕捉更多剖解细节
研讨人员首先在模仿和实验获得的人类淋巴结数据上测试了 SpatialGlue，并进行了基准测试。SpatialGlue 的定量性能优于其他法子，并捕捉了更多的剖解细节。
通过定量基准测试表明，SpatialGlue 在 5 个模仿数据集和 12 个真实数据集上表现出优于 10 种最先进的单模态和非空间法子的性能，凸显了空间信息和跨组学调整的重要性。
图示：SpatialGlue 准确识别模仿和真实数据中的空间域。（来源：论文）
接下来，将 SpatialGlue 应用于小鼠大脑表观基因组转录组数据集，与原始研讨相比，揭示了更精细的皮质层，这可以进一步研讨更高空间分辨率的基因调控。
图示：SpatialGlue 以更高的分辨率剖解空间表观基因组转录组小鼠大脑样本。（来源：论文）
最后，进一步将 SpatialGlue 应用于 Stereo-CITE-seq 和 SPOTS 获得的数据，证明了它广泛适用于各种技术平台。研讨人员测试了八种法子。总体而言，SpatialGlue 在 Jaccard 相似性方面得分最高，在 Moran’s I 评分中排名第二。应用另外三个小鼠胸腺切片进一步复制了这种优异的性能。
研讨人员示意：「我们相信 SpatialGlue 将成为现在和未来空间多组学数据的宝贵分解工具。SpatialGlue 还有多种可能的扩张途径。其中之一是将图像作为模态。我们计划扩张 SpatialGlue，以在模态内或模态间注意聚拢层合并图像数据。我们还计划通过集成从连续构造切片获得的多组学数据来扩张 SpatialGlue 的功能。」
注 ：封面来自网络