登 Cell 子刊！清华大学张强锋课题组开发 SPACE 算法，组织模块发现能力领先同类工具
内容提要
清华大学的研究团队开发了一种名为SPACE的人工智能算法，能够从单细胞分辨率的空间转录组数据中识别细胞类型和发现组织模块。SPACE在细胞类型识别和组织模块发现方面优于其他工具，并可用于大规模的空间转录组研究。该研究为空间转录组数据分析提供了新的解决方案。
延伸解读
SPACE 的核心创新：重构邻接图
与 SpaGCN、GraphST 等基于图卷积网络的方法不同，SPACE 要求从同一低维细胞表示中同时重构基因表达谱和空间邻接图。这一设计迫使模型记住分析细胞及其邻近细胞的表达与空间交互关系，从而生成“细胞-细胞相互作用感知”的嵌入。此外，SPACE 引入感知域比例调节两类重构损失的权重，并利用图注意力机制自适应学习邻域贡献，使其在复杂组织中更具优势。
在细胞类型识别上的优势与局限
在 MERFISH 小鼠 PMC 和 STARmap 小鼠 PLA 数据集上，SPACE 能识别出与人工标注高度匹配的细胞类型，并细分出星形胶质细胞、少突胶质细胞和糖原滋养层细胞的亚型，而 SCANPY 和 FICT 无法分辨这些空间亚型。不过，SPACE 的优势主要体现在具有明确空间层级的组织，对于空间结构不明显的组织，其提升幅度可能有限。
组织模块发现的性能表现
研究在五个数据集上比较了 SPACE 与 SEDR、SpaGCN、STAGATE、BANKSY、SpaceFlow、GraphST 等工具。SPACE 在其中两个数据集上表现远超其他工具，在另外三个数据集上则与最佳工具相当。这表明 SPACE 并非在所有场景下都绝对领先，但其综合性能稳定，尤其适合需要同时解析细胞类型和组织模块的大规模空间转录组研究。
空间转录组分析的当前挑战
空间转录组技术虽能同时获取细胞位置和转录组信息，但数据的高维、稀疏和空间异质性给分析带来挑战。现有工具多依赖基因表达或简单聚合邻域信息，难以充分捕捉细胞间相互作用的复杂性。SPACE 通过图自编码器框架部分解决了这一问题，但如何准确推断细胞间信号传递、整合多切片数据仍是未来需要突破的方向。
Q&A
SPACE算法的主要功能是什么？
SPACE算法能够从单细胞分辨率的空间转录组数据中识别细胞类型和发现组织模块。
SPACE算法与其他工具相比有什么优势？
SPACE在细胞类型识别和组织模块发现方面优于其他工具，尤其在复杂组织中表现突出。
SPACE算法是如何进行细胞类型识别的？
SPACE通过自监督学习最小化基因表达谱和邻接图的重构损失，结合细胞基因表达信息和空间邻近细胞的相互作用信息进行细胞类型识别。
SPACE算法的模型结构是怎样的？
SPACE模型由编码器、邻近图解码器和基因表达解码器三部分组成，使用图自编码器深度学习框架。
SPACE算法在组织模块发现方面的表现如何？
SPACE在组织模块发现方面优于其他先进工具，能够有效识别组织中的模块。
SPACE算法的研究成果发表在哪个期刊上？
SPACE算法的研究成果发表在Cell Systems杂志上。
