空间多组学技术新突破：浸大计算机科学系成功解构复杂生物数据

空间多组学（Spatial multi-omics）技术为深入理解复杂生物系统提供了全新视角。通过在其原生组织结构中撷取来自基因组学、转录组学、蛋白质组学及代谢组学的空间分辨图谱，研究人员能够全面掌握细胞状态。然而，整合这些错综复杂的数据集在以往一直是一项分析挑战。现有的整合方法通常强行将来自不同组学的数据纳入单一且统一的潜在空间中，这本质上模糊了每个层级所提供的独特且具模态特异性（modality-specific）的见解，限制了多组学分析的效能。为解决此分析瓶颈，计算机科学系副教授张璐教授与韩波教授在内的研究团队，开发出「空间多视角」（Spatial Multi-View，简称 SpaMV）表徵学习算法。

SpaMV 的双空间架构

张教授表示：「与混淆不同数据类型的传统方法不同，SpaMV 明确地将跨组学共享资讯与组学特异性私有资讯分离至完全独立的潜在空间中。」该算法通过三个核心组件实现这种强健的空间多组学分解。第一，它采用依赖图注意力网络（Graph Attention Networks，简称 GAT）的双编码器架构。每个组学层级均配备一个共享编码器和一个私有编码器，以提取包含空间资讯的嵌入，并配合组学特异性解码器，确保精准的数据重构。

第二，SpaMV 整合了专门设计的辅助测量模型，以尽量减少来自某一组学的私有潜在变数与来自另一组学的数据之间的互信息。这机制能主动防止共享生物资讯渗漏至私有空间。最后，该算法利用名为「希尔伯特—施密特独立准则」（Hilbert-Schmidt Independence Criterion，简称 HSIC）的非参数独立性检验，强制要求共享变数与私有变数之间严格保持统计独立性，从而确保共享空间表徵不会受到组学特异性异常的污染。

表现超越现有整合模型

研究团队将 SpaMV 的效能与八种现有的空间整合方法，包括 SpatialGlue、CellCharter、SMOPCA 及 COSMOS，进行了广泛基准测试。在涵盖转录组-表观基因组、转录组-代谢组、以及转录组-蛋白质组的三个模拟数据集和五个真实数据集中，SpaMV 在空间区域聚类（spatial domain clustering）方面持续表现优异。

例如，当应用於肾透明细胞癌（ccRCC）的空间转录组-代谢组数据时，SpaMV 成功划分出清晰且空间连贯的区域边界。该算法揭示了代谢组特异性的空间程式，例如以三酸甘油酯（triglycerides）为特徵的压力相关脂质储存，这些现象在仅分析转录组数据时是无法察觉的。同样地，在共同分析空间组蛋白修饰的小鼠胚胎数据集中，SpaMV 成功分离出解剖学上截然不同的结构，如颌部、舌头及鼻子区域，而其他竞争算法要么将这些区域混为一谈，要么完全遗漏。

可解释性提升与生物标记发现

张教授指出：「除了优异的聚类表现，SpaMV 还提供了易於解释的主题模型。它能让研究人员视觉化共享与私有主题，从而清晰地展示哪些组织区段是由多组学共识所定义，哪些则是由特定的单一组学层级所驱动。」

这项功能对於精准的细胞类型注释（cell type annotation）及避免误导的生物学结论至关重要。在一份包含配对转录组学与蛋白质组学的空间分辨率小鼠胸腺数据集中，SpaMV 识别出一个以经典 B 细胞标记，如 CD45R 和 CD19，为特徵的蛋白质组特异性主题。仅依赖转录组差异表达来定义空间区域的标准整合方法，往往会错误标签此类区域，导致错误的生物标记识别。由於 SpaMV 能解开这些相互交织的信号，研究人员可以放心利用标靶蛋白质组学资讯来注释空间区域，从而避开这些常见的分析陷阱。通过保留不同数据类型的完整性，SpaMV 提供对复杂组织异质性精确的系统层级视图，为更深入的生物学发现铺路。

论文发表於《Nature Communications》：https://www.nature.com/articles/s41467-026-74718-1
张教授研究专页：https://scholars.hkbu.edu.hk/en/persons/ERICLUZHANG

张璐教授

科学与科技学院