组织镶嵌图谱：自监督学习驱动的跨样本空间转录组差异分析新范式

来自Kambhampati团队的研究人员开发了TissueMosaic——一种基于自监督卷积神经网络(CNN)的创新框架，旨在解决空间转录组数据中组织微环境与细胞状态关联分析的难题。该系统通过识别组织架构基序(tissue architectural motifs)，建立基因表达与空间结构的定量关联，并首创"条件基序富集"策略显著提升差异表达分析的灵敏度，为疾病衰老等条件下的组织重塑机制研究提供了新工具。

　　

空间转录组技术(spatial transcriptomics)虽能保留基因表达的空间信息，但如何系统解析组织微环境与细胞功能的关系仍是重大挑战。Kambhampati团队开发的TissueMosaic框架犹如"组织考古学家"，通过自监督卷积神经网络(self-supervised CNN)在空间转录组数据中自动挖掘重复出现的组织建筑基序(tissue architectural motifs)。这些基序不仅可进行跨样本聚类比较，更能通过独创的条件基序富集(conditional motif-enrichment)分析策略，灵敏捕捉与疾病或衰老相关的空间差异表达基因。

该技术突破性地将组织结构的量化特征与基因程序(gene programs)变化相关联，其性能显著超越传统的细胞邻域组成分析方法。就像拼凑马赛克图案般，TissueMosaic通过识别组织镶嵌模式，揭示了微环境重塑如何动态调控细胞内在功能程序，为理解阿尔茨海默症等疾病的组织病理机制提供了全新视角。研究证明，这种自监督学习范式能有效提升空间差异表达分析的信噪比，标志着空间组学数据分析方法的重要进步。