DiffuScope：基于扩散正则化自编码器的空间转录组聚类新方法

《Computational Biology and Chemistry》：DiffuScope: A diffusion-regularized autoencoder for spatial transcriptomic clustering

本文提出DiffuScope聚类框架，通过图卷积变分自编码器（GC-VAE）整合自监督学习，利用重构损失和扩散一致性损失双重优化策略，在12个基准数据集上验证了其卓越的空间域识别能力。该模型有效克服了空间转录omics（ST）数据的技术异质性，为肿瘤微环境等研究提供了通用性分析工具。

　　

^{模型内部架构与机制解析}

DiffuScope是专为空间转录组学数据分析设计的聚类框架，其核心目标在于识别和表征空间域。该框架的分析流程包含两大模块：首先采用Scanpy进行标准化数据预处理，包括归一化、对数转换和高变基因筛选，最终保留前2,000个高变基因作为下游分析的特征输入。

^讨论

本研究提出的DiffuScope基于变分图自编码器（VGAE）框架，融合自监督学习策略，能够实现空间转录组数据中空间域的高精度识别。相较于主流聚类方法，DiffuScope在多个基准数据集上均展现出优越性能。通过引入重构损失和扩散一致性损失这两个精心设计的损失函数，DiffuScope有效提升了特征学习的鲁棒性。

^{图增强变分自编码器框架}

为高效整合空间组学数据中的空间与转录组信息，我们采用图增强变分自编码器（Graph-VAE）框架（命名为DiffuScope）。该模型同步捕捉基因表达变异性和空间邻域结构，实现强健的表征学习和无监督聚类。

^{输入数据与图构建}

定义基因表达矩阵X ∈ R^N×F，其中N代表空间位点（细胞或斑点）数量，F表示特征维度。