這篇論文主要介紹了一種名為"Robust mapping of spatiotemporal trajectories and cell-cell interactions in healthy and diseased tissues"的新方法，該方法能夠在健康和疾病組織中對細胞過程進行可靠的對映，同時研究細胞間的相互作用。
在生物組織中，細胞型別、區域性組成和狀態、分佈模式以及細胞間的相互作用是驅動組織發育、穩態、修復和對環境訊號的響應的重要因素。然而，現有的細胞型別和狀態的知識常常缺乏關鍵的上下文資訊，即它們在健康或疾病狀態下如何共存、相互作用和通訊。空間轉錄組學（Spatial transcriptomics，ST）是一種能夠在不需要組織解離的情況下以無偏見的方式對轉錄組進行全面分析的技術，因此保留了空間資訊。然而，對這種複雜資料進行分析的方法在實驗進展之後仍然滯後，並且大多仍處於早期發展階段。
這篇論文提出了一個名為stLearn的綜合快速的軟體工具，透過三個計算-統計演算法的整合，能夠解決ST資料分析中的三個主要問題：（1）構建時空軌跡，（2）研究細胞間相互作用，（3）提高空間資料質量。stLearn的演算法能夠靈活地整合基因表達、組織形態學和物理距離等多種型別的ST資料，以有效利用所有維度的資訊。它能夠分析各種型別的空間轉錄組學資料，並且不需要組織影像資訊。stLearn的演算法在多個標準上相比現有方法具有更高的準確性，並且具有一些尚不可用的分析能力。
該框架的三個主要演算法分別是：
1. 偽時空（pseudo-time-space，PSTS）演算法：用於重構組織中的時空細胞軌跡，揭示細胞狀態的變化。它能夠跟蹤細胞在組織中的偽時序模式，幫助理解細胞的動態變化過程。
2. 空間約束的雙層排列（spatially-constrained two-level permutation，SCTP）檢驗：用於研究細胞間的相互作用。它能夠找到成千上萬個配體-受體對之間高度互動的組織區域，並大大降低錯誤發現率。
3. 基於空間圖的神經網路插補方法（spatial graph-based imputation method with neural network，stSME）：用於修正技術噪聲/缺失並提高ST資料覆蓋率。它能夠校正技術噪聲和缺失資料，從而更準確地揭示基因表達模式。
這些演算法的應用範圍廣泛，作者在多個生物系統中進行了廣泛的測試和驗證。透過該框架，研究人員能夠更好地理解健康和疾病組織中的生物過程。