论文标题Deciphering spatial domains from spatial multi-omics with SpatialGlue发表期刊Nature Methods (2024)源码地址GitHub - JinmiaoChenLab/SpatialGlue: SpatialGlue is a novel deep learning methods for spatial multi-omics data integration. · GitHub研究团队新加坡 A*STAR 免疫学网络 (SIgN) Jinmiao Chen 团队研究方向空间转录组学 (ST)、空间多组学 (Spatial Multi-omics)、图神经网络 (GNN)、注意力机制 (Attention Mechanism)、多模态数据整合1. 研究背景与动机空间组学技术的快速发展使得在同一组织切片上同时获取多种组学数据如空间表观基因组-转录组、空间转录组-蛋白质组成为可能例如 DBiT-seq、spatial-CITE-seq 和 SPOTS 等技术。然而充分利用这些空间多组学数据面临着巨大的计算挑战模态异质性不同组学模态的特征数量差异巨大如数万个基因对比几十个蛋白质且统计分布规律不同。空间与特征的整合现有的非空间多组学整合方法如 Seurat WNN, totalVI, MOFA忽略了物理空间信息而现有的空间组学工具如 SpaGCN, STAGATE主要针对单一模态设计如果强行将不同模态的特征拼接会错误地假设所有组学特征具有相同的权重。为解决这一问题研究团队提出了SpatialGlue。该方法通过图神经网络GNN和双重注意力机制Dual-attention mechanism不仅在模态内部自适应地整合了空间位置与分子特征还在模态之间进行了加权整合从而以更高的分辨率和准确度破译组织的空间域。2. 方法框架 (Methodology) 深度解析结合论文的 Fig. 1SpatialGlue 的计算框架严格划分为四个主要模块。假设输入为两种组学模态的数据矩阵和以及对应的细胞/斑点Spots的空间坐标。2.1 构建空间图与特征图 (Graph Construction)在每个模态内部SpatialGlue 都会构建两个不同的图结构来捕捉 Spot 之间的关系空间邻近图 (Spatial proximity graph,)基于 Spot 物理坐标的欧氏距离构建反映细胞在真实组织中的物理邻近关系。特征相似度图 (Feature similarity graph,)对组学特征进行 PCA 降维后使用 K 近邻 (KNN) 算法构建旨在捕捉物理上不相邻但表型/功能相似的细胞关系。2.2 模态内特征编码 (GCN Encoder for Individual Modality)对于每一个模态模型使用图卷积网络 (GCN) 分别在和上进行特征聚合。设为网络层数其核心传播公式为其中为归一化后的图邻接矩阵和分别为可训练的权重和偏置为激活函数。通过该编码器针对模态 1模型可以分别从空间图和特征图中学习到两种特定的潜在表示记为和。2.3 模态内注意力聚合 (Within-modality Attention Aggregation Layer)由于和包含不同的语义信息且其对每个 Spot 的重要性不同SpatialGlue 引入了注意力机制来动态融合这两个图的表示。首先通过单层前馈神经网络计算每个图表示的注意力系数。接着应用 Softmax 函数将系数归一化为注意力分数。最后将和按注意力分数加权求和得到该模态的统一特定表示此步骤确保了模型自适应地保留了最重要的空间或特征结构信息。2.4 模态间注意力聚合与解码 (Between-modality Attention Decoding)不同的组学模态对组织异质性的贡献具有互补性因此 SpatialGlue 再次应用注意力机制融合不同模态的表示和。模型计算模态级别的注意力分数并对各模态表示进行加权聚合生成最终的跨模态整合表示。模型优化与损失函数模型的端到端训练由两部分损失函数联合驱动重构损失 (Reconstruction Loss,)将整合表示馈入各模态专属的 GCN 解码器中重构原始输入特征使用均方误差 (MSE) 进行优化。一致性损失 (Correspondence Loss,)为确保不同模态的流形在隐空间中真正对齐模型将重构出的特征再次交叉编码并约束跨模态重构特征与原模态特征的一致性。最终输出的表示即可用于下游的聚类算法如 Louvain, mclust以识别空间域。3. 实验设计与结果分析 (基于 Fig. 1 - Fig. 4)作者通过广泛的模拟数据和真实的双组学数据集对 SpatialGlue 及其竞争算法包括 Seurat, totalVI, MultiVI, MOFA, MEFISTO, scMM, StabMap 等进行了严格的基准测试。3.1 模拟数据与人类淋巴结数据集验证 (Fig. 2)模拟数据作者构建了包含 4 个基础空间因子的双模态模拟数据。结果显示SpatialGlue 在还原 Ground Truth 方面取得了最高的同质性 (Homogeneity) 和 ARI 分数而许多非空间整合算法产生了大量的噪声。人类淋巴结 (10x Visium, RNA蛋白)以 HE 染色的病理注释为金标准。SpatialGlue 是少数几个能清晰识别出淋巴滤泡 (Follicle) 区域的模型之一同时在衡量空间自相关的 Morans I 得分和保留模态特征的 Jaccard 相似度指标上均位列第一有效滤除了单模态聚类中的边界模糊现象。3.2 空间表观基因组-转录组解析小鼠大脑皮层 (Fig. 3)数据集出生后 22 天 (P22) 的小鼠大脑冠状切片包含空间 ATAC-RNA-seq 和 CUTTag-RNA-seq 数据。结果分析在单独的 RNA 模态中皮层 (ctx) 的分层结构并不清晰而在单独的 ATAC 模态中尾壳核 (cp) 更为明确。SpatialGlue 有效整合了二者的优势不仅精准识别了前扣带回 (aca)、侧隔核 (ls) 等结构还比原始研究和所有对比算法分辨出了更多层级的小鼠大脑皮层 (cortex layers)。模态权重分析观察模型输出的注意力权重发现RNA 模态在胼胝体膝 (ccg) 区域获得了更高权重而 ATAC 模态在皮层区域贡献更大这严格证明了 SpatialGlue 在不同解剖区域能自适应调整模态依赖。3.3 空间转录组-蛋白质组解析小鼠胸腺与脾脏亚群 (Fig. 4)小鼠胸腺 (Stereo-CITE-seq)胸腺具有清晰的髓质 (medulla) 和皮质 (cortex) 结构。MultiVI 和 StabMap 在此数据上未能生成连贯的空间簇而 SpatialGlue 不仅清晰分离了髓质与皮质还进一步精确勾勒出了皮质髓质交界区 (Corticomedullary junction)。小鼠脾脏 (SPOTS)脾脏中分布着复杂的 B 细胞、T 细胞和巨噬细胞亚群。得益于双重注意力机制的整合SpatialGlue识别出了原始研究未能标注出的三种巨噬细胞亚群(RpMΦ, MZMΦ, MMMΦ)。结合相关 Marker 基因与蛋白质水平的可视化证明这三种巨噬细胞亚群在红髓区、边缘区和白髓周围呈现出极其严密的生物学空间拓扑结构。4. 总结与意义《SpatialGlue》为空间多组学数据提供了一个严密的图神经网络计算框架。其核心贡献在于打破了单组学空间分析工具简单拼接特征矩阵的局限首次提出在模态内空间拓扑与表型特征和模态间采用双重注意力机制进行动态特征聚合。通过重构损失与一致性损失的联合优化在消除模态间技术差异的同时极大程度地保留了原有的生物学空间异质性。实验证明该算法具有广泛的平台兼容性并在解析复杂脑组织分层和免疫器官微环境细胞亚群的任务中展现出了超越现有单模态和非空间整合算法的解析精度。