空間多組學技術新突破：浸大計算機科學系成功解構複雜生物數據

空間多組學（Spatial multi-omics）技術為深入理解複雜生物系統提供了全新視角。通過在其原生組織結構中擷取來自基因組學、轉錄組學、蛋白質組學及代謝組學的空間分辨圖譜，研究人員能夠全面掌握細胞狀態。然而，整合這些錯綜複雜的數據集在以往一直是一項分析挑戰。現有的整合方法通常強行將來自不同組學的數據納入單一且統一的潛在空間中，這本質上模糊了每個層級所提供的獨特且具模態特異性（modality-specific）的見解，限制了多組學分析的效能。為解決此分析瓶頸，計算機科學系副教授張璐教授與韓波教授在內的研究團隊，開發出「空間多視角」（Spatial Multi-View，簡稱 SpaMV）表徵學習算法。

SpaMV 的雙空間架構

張教授表示：「與混淆不同數據類型的傳統方法不同，SpaMV 明確地將跨組學共享資訊與組學特異性私有資訊分離至完全獨立的潛在空間中。」該算法通過三個核心組件實現這種強健的空間多組學分解。第一，它採用依賴圖注意力網絡（Graph Attention Networks，簡稱 GAT）的雙編碼器架構。每個組學層級均配備一個共享編碼器和一個私有編碼器，以提取包含空間資訊的嵌入，並配合組學特異性解碼器，確保精準的數據重構。

第二，SpaMV 整合了專門設計的輔助測量模型，以盡量減少來自某一組學的私有潛在變數與來自另一組學的數據之間的互信息。這機制能主動防止共享生物資訊滲漏至私有空間。最後，該算法利用名為「希爾伯特—施密特獨立準則」（Hilbert-Schmidt Independence Criterion，簡稱 HSIC）的非參數獨立性檢驗，強制要求共享變數與私有變數之間嚴格保持統計獨立性，從而確保共享空間表徵不會受到組學特異性異常的污染。

表現超越現有整合模型

研究團隊將 SpaMV 的效能與八種現有的空間整合方法，包括 SpatialGlue、CellCharter、SMOPCA 及 COSMOS，進行了廣泛基準測試。在涵蓋轉錄組-表觀基因組、轉錄組-代謝組、以及轉錄組-蛋白質組的三個模擬數據集和五個真實數據集中，SpaMV 在空間區域聚類（spatial domain clustering）方面持續表現優異。

例如，當應用於腎透明細胞癌（ccRCC）的空間轉錄組-代謝組數據時，SpaMV 成功劃分出清晰且空間連貫的區域邊界。該算法揭示了代謝組特異性的空間程式，例如以三酸甘油酯（triglycerides）為特徵的壓力相關脂質儲存，這些現象在僅分析轉錄組數據時是無法察覺的。同樣地，在共同分析空間組蛋白修飾的小鼠胚胎數據集中，SpaMV 成功分離出解剖學上截然不同的結構，如頜部、舌頭及鼻子區域，而其他競爭算法要麼將這些區域混為一談，要麼完全遺漏。

可解釋性提升與生物標記發現

張教授指出：「除了優異的聚類表現，SpaMV 還提供了易於解釋的主題模型。它能讓研究人員視覺化共享與私有主題，從而清晰地展示哪些組織區段是由多組學共識所定義，哪些則是由特定的單一組學層級所驅動。」

這項功能對於精準的細胞類型注釋（cell type annotation）及避免誤導的生物學結論至關重要。在一份包含配對轉錄組學與蛋白質組學的空間分辨率小鼠胸腺數據集中，SpaMV 識別出一個以經典 B 細胞標記，如 CD45R 和 CD19，為特徵的蛋白質組特異性主題。僅依賴轉錄組差異表達來定義空間區域的標準整合方法，往往會錯誤標籤此類區域，導致錯誤的生物標記識別。由於 SpaMV 能解開這些相互交織的信號，研究人員可以放心利用標靶蛋白質組學資訊來注釋空間區域，從而避開這些常見的分析陷阱。通過保留不同數據類型的完整性，SpaMV 提供對複雜組織異質性精確的系統層級視圖，為更深入的生物學發現鋪路。

論文發表於《Nature Communications》：https://www.nature.com/articles/s41467-026-74718-1
張教授研究專頁：https://scholars.hkbu.edu.hk/en/persons/ERICLUZHANG

張璐教授

科學與科技學院