隨著空間多組學技術(shù)的飛速發(fā)展（如 10x Visium CytAssist 、 MISAR-seq 等），研究者能夠同時獲取同一組織切片的轉(zhuǎn)錄組、蛋白組或表觀組信息。然而，如何有效地將具有不同特征維度和空間分布的多模態(tài)數(shù)據(jù)聚合到統(tǒng)一的潛在空間，并準確識別解剖結(jié)構(gòu)，依然是計算生物學領(lǐng)域的一大挑戰(zhàn)。

為了應對這一挑戰(zhàn)， 2026 年 3 月 27 日，大灣 區(qū)大學鄭旭彬、新加坡國立大學醫(yī)學院陳金妙、深圳大學杜智華等人在 Nature Communications 發(fā)表題為 SMART: spatial multi- omic aggregation using graph neural networks and metric learning 的研究論文。該論文提出了一種高效、可擴展且通用的空間多組學整合計算框架——SMART。

1. 引入基于圖神經(jīng)網(wǎng)絡與度量學習的統(tǒng)一整合框架

SMART 構(gòu)建了一種結(jié)合圖神經(jīng)網(wǎng)絡與度量學習的空間多組學整合方法。該方法基于空間坐標構(gòu)建 KNN 鄰接圖，并利用 GraphSAGE 對空間鄰域結(jié)構(gòu)與多組學特征進行聯(lián)合建模，實現(xiàn)統(tǒng)一的低維表示學習。同時，通過引入基于 MNN 的 triplet loss ，對空間上遠但功能相似的細胞進行約束，從而彌補僅依賴局部鄰域建模的不足。

2. 融合局部空間結(jié)構(gòu)與全局語義相似性信息

在建模過程中， SMART 不僅利用空間鄰接關(guān)系刻畫局部組織結(jié)構(gòu)，還通過度量學習顯式建模細胞間的全局相似性關(guān)系。該策略使模型在保持空間連續(xù)性的同時，提高對功能相似細胞的識別能力，從而在空間結(jié)構(gòu)解析與細胞類型區(qū)分之間取得更好的平衡。

3. 支持多切片數(shù)據(jù)的批次校正與跨樣本整合

在擴展版本 SMART-MS 中，方法結(jié)合 PCA 降維與 Harmony 批次校正，實現(xiàn)了多切片 數(shù)據(jù)的統(tǒng)一整合。該設(shè)計能夠有效緩解不同樣本之間的技術(shù)偏差，同時保持生物學信號的一致性，從而提升跨切片分析的可靠性。

4. 具備良好的靈活性與可擴展性

SMART 采用模塊化設(shè)計，可適用于不同空間分辨率及多種組學組合。通過調(diào)節(jié)模型參數(shù)，可在空間結(jié)構(gòu)保持與細胞類型分辨能力之間進行靈活權(quán)衡，適用于多平臺空間多組學數(shù)據(jù)分析場景。

圖 1 SMART 計算框架圖

主要實驗結(jié)論

（ 1 ） 模擬三組學數(shù)據(jù)： 在 ARI 、 NMI 、 AMI 、 Homo 、 FMI 等全部 7 項指標上優(yōu)于 10 種對比方法，莫蘭指數(shù)接近 1 。

（ 2 ）人類淋巴結(jié)（轉(zhuǎn)錄組 + 蛋白質(zhì)組）： 準確區(qū)分皮質(zhì)、髓竇、髓索、卵泡、囊外脂肪等 7 類解剖結(jié)構(gòu)，跨多聚類分辨率穩(wěn)定領(lǐng)先 13 種方法。

（ 3 ） 小鼠腦 MISAR-seq （ 轉(zhuǎn)錄組 + 染色質(zhì)可及性）： 4 個 發(fā)育階段切片整體排名第一； E18.5 切片額外檢出軟骨 -1 細微邊界。

（ 4 ） 大規(guī)?？蓴U展性：在 Stereo-CITE-seq Bin10 （ 756,430 位點）上僅需 56 s 完成訓練；其他對比方法在約 19 萬位點時均 OOM 失敗。

（ 5 ） SMART-MS 多切片整合：在人扁桃體 3 切片數(shù)據(jù)上，生物信號保留 + 批次校正綜合得分均領(lǐng)先 MultiVI 、 Present-BC 、 TotalVI 、 MOFA+ 。

本文通訊作者為鄭旭彬助理教授（大灣區(qū)大學 ） 、陳金妙副教授（杜克 - 國立新加坡大學醫(yī)學院 / A*STAR BII / 新加坡國立大學）， 第一作者為杜智華教授（深圳大學） ， 第二作者為陳麒亦（深圳大學碩士研究生），第三作者為黃偉亮（深圳大學 - 大灣區(qū)大學 聯(lián)合 培養(yǎng)碩士研究生）。

論文鏈接：https://doi.org/10.1038/s41467-026-70821-5

制版人： 十一

學術(shù)合作組織

（*排名不分先后）

戰(zhàn)略合作伙伴

（*排名不分先后）

轉(zhuǎn)載須知

【非原創(chuàng)文章】本文著作權(quán)歸文章作者所有，歡迎個人轉(zhuǎn)發(fā)分享，未經(jīng)作者的允許禁止轉(zhuǎn)載，作者擁有所有法定權(quán)利，違者必究。

BioArt

Med

Plants

人才招聘

近期直播推薦

點擊主頁推薦活動

關(guān)注更多最新活動！