CellLENS 助力跨域信息融合：提升单细胞空间组学数据中细胞群体描绘精度

精准描绘细胞群体对解析免疫功能至关重要，现有方法难充分整合空间组学中分子表达、空间关系及组织架构三维数据。研究人员开发自监督计算方法 CellLENS，融合三域信息学习细胞表征，在多组织 / 疾病空间组学数据中发现具空间背景功能分层的免疫细胞群，揭示多域整合在解析免疫异质性中的价值。

　　

在本技术报告中，作者介绍了 CellLENS—— 一种通过整合空间多组学数据中的跨域信息来增强免疫细胞识别与分析的计算方法。精确划分细胞群体对于理解健康与疾病中的免疫功能至关重要。空间组学技术通过捕获三个互补域（单细胞分子生物标志物表达、细胞空间关系和组织结构）提供见解，但当前计算方法往往无法充分整合这些多维数据，尤其是针对免疫细胞群体及其内在功能状态。研究开发了 Cell Local Environment and Neighborhood Scan（CellLENS），这是一种自监督计算方法，通过融合空间组学三个域（表达、邻域和图像）的信息来学习细胞表征。CellLENS 通过将单个细胞的分子特征与其邻域环境和组织定位相结合，显著增强了生物相关免疫细胞群体的从头发现精细粒度。通过将 CellLENS 应用于多种组织类型和疾病背景下的不同空间蛋白质组学和转录组学数据集，研究揭示了根据其空间背景进行功能分层的独特免疫细胞群体。该工作展示了空间组学中多域数据整合在揭示免疫细胞异质性和组织特异性功能方面的力量。