空间增强多视角图卷积网络SAMGCN：整合空间邻域信息与基因表达特征的高精度空间域识别新方法

《Engineering Applications of Artificial Intelligence》：SAMGCN: A spatially-augmented multi-view graph convolutional network for identifying spatial domains

针对空间转录组(ST)数据中空间信息与基因表达整合不足导致的空间域识别不连续问题，本研究提出空间增强多视角图卷积网络SAMGCN。通过构建空间图、特征图和空间表达加权图，结合注意力机制和ZINB解码器，实现了多平台跨尺度数据的高精度空间域划分，为组织微环境解析提供了新工具。

空间转录组技术(ST)近年来革命性地推动了组织微环境中基因表达与空间位置关联的研究，但现有方法在整合空间信息与基因表达数据时仍面临重大挑战。传统非空间聚类方法如k-means和Louvain算法无法捕捉空间连续性，而基于单细胞RNA测序(scRNA-seq)的方法难以适应亚细胞分辨率数据。尽管DeepST、STAGATE等图神经网络方法取得进展，但多视角数据融合不足导致空间域边界模糊。

为解决这一瓶颈问题，中国研究人员开发了空间增强多视角图卷积网络SAMGCN。该研究通过构建三类核心图结构——基于欧氏距离的空间邻接图(ⁱ
A_s
^j
)、基因表达相似性特征图及空间表达加权图，采用图卷积操作提取多视角特征，并创新性地引入对比学习策略增强空间邻域关系。注意力机制动态调整各视图权重，ZINB解码器则精准建模基因表达全局分布。在跨平台验证中，SAMGCN显著提升了空间域识别连续性，尤其擅长处理组织分层结构和复杂表达模式交界区域。

关键技术包括：1) 空间邻接图构建(半径r=550)；2) 多视角图卷积特征提取；3) 对比学习优化空间关系；4) 注意力融合机制；5) ZINB概率建模。研究使用10X Genomics、Slide-seq等多平台ST数据进行验证。

【空间邻接图构建】通过欧氏距离阈值判定邻接关系，建立二元空间矩阵，为后续图卷积提供拓扑基础。

【特征邻接图构建】基于基因表达相似性构建特征图，补充空间关系的生物学内涵。

【结果与讨论】在皮层、肝癌等组织中的实验表明，SAMGCN较STAGATE等基线方法ARI提升15%-22%，成功识别出传统方法遗漏的过渡态细胞区域。注意力权重分析显示，在分层明显的组织中空间图贡献率达68%，而在肿瘤异质区特征图权重增至57%。

【结论】SAMGCN通过三大创新突破现有技术局限：1) 多视图图结构系统整合空间-表达双重信息；2) 自适应注意力机制实现生物语境敏感的权重分配；3) ZINB模型准确刻画基因表达分布特性。该框架为解析发育、肿瘤等复杂生物学过程中的空间异质性提供了新范式，其代码已开源(GitHub/LH0012/SAMGCN)。未来可扩展至多组学数据整合，推动空间多组学时代的精准医学研究。