編輯 | KX

空間轉錄組學是繼單細胞轉錄組學出現以來，在生物樣本分析領域的又一重大進展。多組學資料的整合至關重要。

近日，新加坡科技研究局（A*STAR）、華大基因和上海交通大學醫學院附屬仁濟醫院等組成的研究團隊，提出了一種具有雙注意力機制的圖神經網路模型 SpatialGlue，能夠以空間感知的方式整合多組學資料。

SpatialGlue 能夠有效地將多種資料模態與其各自的空間背景相結合，以揭示組織樣本的組織學相關結構。

研究證明，與其他方法相比，SpatialGlue 可以捕獲更多的解剖細節，更準確地解析空間域，例如大腦皮層。該方法還識別了位於三個不同區域的細胞型別，例如脾臟巨噬細胞亞群，而這些區域在原始資料註釋中是沒有的。

該研究凸顯了多模態空間組學在分析生物複雜性方面的能力。

相關研究以「Deciphering spatial domains from spatial multi-omics with SpatialGlue」為題，於 6 月 21 日釋出在《Nature Methods》上。

空間多組學資料整合面臨挑戰

目前，空間技術正在擴充套件到空間多組學，即在單個組織切片上同時分析不同的組學。這些技術大致可分為兩類：基於測序和基於成像。為深入理解細胞及新興組織特性提供了可能。

為了充分利用空間多組學資料來構建所研究組織的連貫影像，需要對異構資料模態進行空間感知整合。由於不同模態的特徵計數可能存在巨大差異和不同的統計分佈，多組學資料整合面臨重大挑戰。當將空間資訊與每個資料模態內的特徵計數相結合時，這一挑戰更加嚴峻。

目前，還沒有專門為從同一組織切片獲取的空間多組學設計的工具。因此，需要專門針對空間多組學資料量身定製的工具來應對整合空間多組學資料以進行下游分析的挑戰。特別是，需要能夠進行空間感知跨組學整合的新方法。

SpatialGlue 模型結構

SpatialGlue 透過有效地將多組學模態資料與空間資訊相結合，以更高的解析度解讀組織樣本的空間域。SpatialGlue 是一種基於圖神經網路 (GNN) 的深度學習模型。

SpatialGlue 首先使用 k 最近鄰 (KNN) 演算法，使用空間座標構建空間鄰居圖，並使用每個組學模態的歸一化表達資料構建特徵鄰居圖。

然後，對於每個模態，GNN 編碼器採用歸一化表達和鄰居圖，透過迭代聚合鄰居的表示來學習兩個特定於圖的表示。為了捕捉不同圖的重要性，設計了一個模態內注意聚合層，以自適應地整合特定於圖的表示並獲得特定於模態的表示。

最後，為了保留不同模態的重要性，SpatialGlue 使用模態間注意聚合層來自適應地整合特定於模態的表示並輸出最終的斑點整合表示。

為了評估所提出的 SpatialGlue 模型的有效性，研究人員首先使用模擬資料透過一系列消融研究，驗證了注意力和其他元件的重要性。隨後，表徵了 SpatialGlue 對輸入的鄰居數量、主成分分析（PCA）維度以及 GNN 層數的敏感度。

解析度更高，捕獲更多解剖細節

研究人員首先在模擬和實驗獲取的人類淋巴結資料上測試了 SpatialGlue，並進行了基準測試。SpatialGlue 的定量效能優於其他方法，並捕獲了更多的解剖細節。

透過定量基準測試表明，SpatialGlue 在 5 個模擬資料集和 12 個真實資料集上表現出優於 10 種最先進的單模態和非空間方法的效能，凸顯了空間資訊和跨組學整合的重要性。

接下來，將 SpatialGlue 應用於小鼠大腦表觀基因組轉錄組資料集，與原始研究相比，揭示了更精細的皮質層，這可以進一步研究更高空間解析度的基因調控。

最後，進一步將 SpatialGlue 應用於 Stereo-CITE-seq 和 SPOTS 獲取的資料，證明了它廣泛適用於各種技術平臺。研究人員測試了八種方法。總體而言，SpatialGlue 在 Jaccard 相似性方面得分最高，在 Moran’s I 評分中排名第二。使用另外三個小鼠胸腺切片進一步複製了這種優異的效能。

研究人員表示：「我們相信 SpatialGlue 將成為現在和未來空間多組學資料的寶貴分析工具。SpatialGlue 還有多種可能的擴充套件途徑。其中之一是將影像作為模態。我們計劃擴充套件 SpatialGlue，以在模態內或模態間注意聚合層合併影像資料。我們還計劃透過整合從連續組織切片獲取的多組學資料來擴充套件 SpatialGlue 的功能。」

注 ：封面來自網路