TOGAR：基于令牌控制的生成式优化方法，用于实现高保真的空间转录组学分析及稳健的空间域聚类

TOGAR是一种基于扩散模型的统一框架，结合图卷积网络（GCN）与零膨胀负二项分布（ZINB）去噪，通过带门控的扩散机制（UGate）增强空间依赖建模，并利用相似性引导平均优化伪图像，最终通过聚类算法实现高精度空间域划分。实验表明TOGAR在12个切片数据集上聚类准确率最优，尤其在检测极小且稀疏的肿瘤亚域和发育生物学中的微结构方面表现突出，相比基线方法平均提升8.3%的ARI得分。

　　
### 空间转录组学中的TOGAR模型：去噪、增强与聚类的一体化解决方案

#### 1. 研究背景与挑战
空间转录组学（Spatial Transcriptomics, ST）通过结合组织空间位置与基因表达信息，为疾病机制研究提供了新的视角。然而，其数据特性（高维性、非线性分布、稀疏性）对传统分析方法提出了严峻挑战。现有方法主要依赖局部空间图结构建模，但在长程依赖捕捉和复杂组织结构的细粒度解析上存在局限性。

**核心问题**：
- **数据稀疏性**：转录本表达数据中大量零值（"dropout events"）导致噪声干扰和信号丢失。
- **空间依赖建模**：传统方法（如GCN）难以有效整合远距离空间关联，影响区域划分精度。
- **小结构检测**：现有技术常忽略亚毫米级稀疏结构（如特定细胞层或肿瘤亚区），导致生物信息丢失。

#### 2. TOGAR模型的核心创新
TOGAR通过三阶段整合（去噪→空间增强→聚类），构建了首个基于扩散模型的端到端框架，其创新点体现在以下三方面：

**（1）多任务联合优化架构**
TOGAR首次将空间转录组学的三大任务（去噪、空间增强、聚类）统一于扩散模型框架：
- **去噪阶段**：采用图卷积网络（GCN）结合零通胀负二项分布（ZINB）损失函数，同步优化空间邻域关联建模和稀疏数据分布匹配。
- **空间增强阶段**：基于UGate架构的扩散模型，通过门控机制动态调整噪声注入强度，实现从局部到全局的多尺度空间信息整合。
- **聚类阶段**：利用增强后的空间表征，结合相似性引导的均值聚合算法，生成具有生物学解释性的空间域划分。

**（2）长程依赖建模技术**
- **扩散机制**：通过逆向扩散过程逐步恢复数据的空间连续性，每一步均引入噪声扰动（噪声方差按递增顺序设计），迫使模型学习跨尺度的依赖关系。
- **旋转位置编码（RoPE）**：在注意力机制前嵌入位置信息，通过正交旋转编码实现相对位置感知，解决了传统编码对绝对位置偏好的问题。
- **门控线性注意力（GLA）**：在标准自注意力模块中引入双线性门控机制，既保留全局上下文信息（降低秩效应），又增强局部特征表达（通过可学习的门控权重调节）。

**（3）动态数据增强策略**
- **伪图像生成**：将每个空间点转化为64×64的灰度图像，通过扩散模型生成多阶段伪图像序列，保留原始数据的空间拓扑结构。
- **相似性引导聚合**：基于伪图像相似度加权平均，确保增强后的数据在保持空间连续性的同时突出关键特征。

#### 3. 实验验证与性能突破
在三个代表性平台（Visium、Slide-seq、Stereo-seq）的12个数据集上验证，TOGAR展现出显著优势：

**（1）聚类精度与稳定性**
- **基准对比**：在相同计算资源下，TOGAR的聚类准确率（ARI）超过Seurat、SpaGCN、STAGATE等7种主流方法，其中：
- **DLPFC脑区数据**：最高ARI达0.55（优于DeepST的0.51和SEDR的0.49）
- **乳腺癌样本**：亚区域划分正确率提升23%（如Domain 1免疫浸润区与Domain 4纤维化区的边界清晰度）
- **小结构检测**：成功识别传统方法遗漏的3类关键结构：
- **小鼠嗅觉 bulb的AOBgr颗粒层**（其他方法检测率0%）
- **胚胎肝原基**（直径<50μm，仅TOGAR检测到完整结构）
- **皮质层异质性区**（分辨率达亚细胞级别）

**（2）生物合理性增强**
- **基因表达模式恢复**：对6类皮层层特异性标记基因（如LAMP5、NTNG2）的时空分布恢复度达92%，显著优于STAGATE（78%）。
- **肿瘤微环境解析**：在乳腺癌样本中识别出4个功能互异的亚区：
- **Domain 1（免疫主导区）**：HLA-DPB1、IGHA1等免疫相关基因高表达
- **Domain 4（纤维化主导区）**：SPP1、MMP7等基质重塑基因显著上调
- **中间域（Domain 2-3）**：显示双向特征（如免疫与基质交互）
- **动态过程可视化**：通过伪图像时间序列展示，发现TOGAR能捕捉到其他方法忽略的"动态过渡带"（图4B中Domain 1-4的渐变边界）

#### 4. 技术优势与生物学启示
**（1）空间表征质量提升**
- **多尺度整合**：通过扩散步骤的逐级细化，实现从细胞团到器官级的特征融合（图3C显示LAMP5在皮层层2的梯度分布）
- **噪声抑制效果**：对零值（>80%数据点）和低表达量基因（<0.1%ile）的恢复率均超过90%（图3B对比表达分布）

**（2）长程依赖建模突破**
- **跨区域协同**：在DLPFC数据中，成功关联到相距>200μm的顶叶皮层区域（图2D显示跨层特征一致性）
- **时间依赖性**：在胚胎发育数据（E9.5_E2S2）中，TOGAR可检测出3天前的发育痕迹（通过时间嵌入模块）

**（3）临床转化潜力**
- **早期癌症检测**：在乳腺癌样本中，TOGAR能识别出5.3μm的微转移灶（传统方法下限15μm）
- **治疗靶点预测**：通过Domain 1-4的基因互作网络，发现新靶点（如Domain 4的COL3A1在纤维化中作用）

#### 5. 局限性与优化方向
**（1）当前技术瓶颈**
- **计算复杂度**：单数据集训练需约12GPU·周，主要耗时在扩散模型的前向-反向计算（图6E显示FLOPs峰值达23G）
- **标注依赖性**：小结构检测仍需专家验证（如AOBgr的识别依赖已知解剖图谱）
- **动态适应不足**：固定扩散步数（T=16）导致复杂组织（如肿瘤）适应性受限

**（2）未来优化路径**
- **自适应扩散机制**：引入学习率调整模块，根据数据稀疏性动态调整扩散步数（如低信噪比区域延长扩散阶段）
- **稀疏注意力优化**：采用梯度感知门控（如检测活性基因的局部注意力权重动态分配）
- **多模态融合**：整合光镜图像、单细胞定位数据（如Hi-C）增强空间锚定精度

#### 6. 应用前景与学科影响
TOGAR已展现出在以下领域的应用潜力：
- **神经科学**：在DLPFC数据中精确划分6层皮层结构（传统方法平均合并3层）
- **肿瘤生物学**：可区分乳腺癌中早期（EMT）与晚期（TGF-β信号）亚型
- **发育生物学**：在小鼠胚胎数据中检测到血管生成前兆（如E9.5阶段肝原基的肝 sinusoids 形成过程）

**学科影响**：
- 重构空间转录组学的分析范式：从"特征提取→建模→聚类"转向"生成式建模→特征解耦→领域划分"的闭环流程
- 催生"空间组学"新学科：整合转录组、表观组、空间结构数据的系统分析框架

#### 7. 方法论启示
TOGAR的成功验证了三大理论原则：
1. **噪声-信号分离双路径**：GCN-ZINB损失函数同时优化去噪和特征增强
2. **位置编码的相对性**：RoPE通过旋转矩阵消除绝对位置偏见，使模型可解释为"基于相对邻域的贡献度"
3. **扩散的渐进式重构**：16步扩散过程逐步恢复空间连续性（类似隐式扩散过程）

该模型为空间生物医学研究提供了标准化分析流程：
```
原始数据 → HVG筛选 → GCN-ZINB去噪 → UGate扩散增强 → 相似性聚合 → Leiden聚类 → 域划分验证
```

#### 8. 总结
TOGAR通过融合扩散模型与注意力机制，解决了空间转录组学的三大核心问题：噪声抑制、长程依赖建模、小结构检测。其实验验证表明，TOGAR的聚类边界清晰度（Jaccard指数0.83）和生物学一致性（R2>0.91）已达到临床转化标准。未来通过硬件加速（如TPU-GPU混合架构）和模型压缩（知识蒸馏），有望在3年内实现计算资源消耗降低80%，推动空间组学进入单细胞级大规模分析时代。