空間多組學技術(shù)被稱為組織的"超高分辨率地圖"，能讓科學家不僅看到細胞中哪些基因或蛋白質(zhì)處于活躍狀態(tài)，還能精確定位這些活動發(fā)生的具體位置。這種空間信息對于理解大腦、免疫組織和發(fā)育胚胎等復(fù)雜器官至關(guān)重要。但一項最新研究揭示了一個長期困擾該領(lǐng)域的瓶頸：同時捕捉多個分子層面的數(shù)據(jù)既昂貴又技術(shù)復(fù)雜。

西北大學神經(jīng)學助理教授David Gate博士作為該研究合著者解釋道，實際操作中研究者往往得到的是"馬賽克"式數(shù)據(jù)集——不同切片或批次各自只捕捉到部分層面，且常來自不同技術(shù)平臺或?qū)嶒炇�，存在批次效�?yīng)和數(shù)據(jù)缺失。發(fā)表在《自然·遺傳學》上的這項研究提出了名為SpaMosaic的計算方法，專門解決這一日益嚴重的問題。

該工具由計算生物學團隊主導(dǎo)開發(fā)，核心在于結(jié)合了兩項人工智能技術(shù)。對比學習幫助AI模型識別跨數(shù)據(jù)集的有意義異同，圖神經(jīng)網(wǎng)絡(luò)則處理相鄰細胞間的空間關(guān)系。兩者結(jié)合生成共享數(shù)據(jù)集，使RNA、蛋白質(zhì)、染色質(zhì)可及性和組蛋白修飾數(shù)據(jù)能夠整合分析，即使單個數(shù)據(jù)集僅測量其中部分特征。

在基準測試中，SpaMosaic在模擬數(shù)據(jù)和真實數(shù)據(jù)集上均持續(xù)優(yōu)于現(xiàn)有整合方法。測試覆蓋小鼠大腦發(fā)育、小鼠胚胎以及人類淋巴結(jié)和扁桃體等免疫組織。研究者發(fā)現(xiàn)，該工具擅長識別具有生物學意義的空間域——即功能身份共享的組織區(qū)域——即使數(shù)據(jù)來自不同技術(shù)平臺或發(fā)育階段。

SpaMosaic還能有效去除技術(shù)"批次效應(yīng)"，如不同實驗條件帶來的差異。這一特性對構(gòu)建跨實驗室、跨技術(shù)的統(tǒng)一細胞圖譜尤為關(guān)鍵，為大規(guī)�？臻g組學協(xié)作研究提供了新的技術(shù)基礎(chǔ)。