《Advanced Science》：Flexible Integration of Structurally Diverse Spatial Multi-Omics With AgaeSMO
编辑推荐：
空间多组学（转录组、表观组、蛋白质组、代谢组、形态组）可在组织中提供近全景组学轮廓。然而，由于检测位点结构、特征维度和细胞异质性的固有差异，结构非配对且未被充分利用的形态组数据集（如苏木精-伊红（Hematoxylin and eosin, H&E）染
空间多组学（转录组、表观组、蛋白质组、代谢组、形态组）可在组织中提供近全景组学轮廓。然而，由于检测位点结构、特征维度和细胞异质性的固有差异，结构非配对且未被充分利用的形态组数据集（如苏木精-伊红（Hematoxylin and eosin, H&E）染色图像）的跨整合仍是瓶颈。研究人员提出AgaeSMO，一种用于结构配对与非配对空间多组学跨模态整合的自适应图自编码器。AgaeSMO从细胞类型感知KNN（k-nearest neighbor）特征图与空间邻接图编码每一组学模态，并以图注意力网络（Graph Attention Networks, GATs）为主干，通过注意力加权模块学习联合表示以融合模态。其特别通过图交叉注意力学习实现模态间交叉引导对齐，从而融合结构非配对模态；H&E图像作为独立形态组模态而非辅助特征，通过图像块嵌入与其他模态融合，以充分利用细胞形态异质性。该工具可有效整合具有配对与非配对位点架构的多样组学模态，实现精确空间域划分与微环境异质性检测，跨平台兼容性强，优于已有工具，为可解释多模态空间多组学分析提供稳健框架。
该研究发表于《Advanced Science》。空间多组学可在同一或相邻切片上捕获中心法则信息及细胞形态图像，但现有方法多面向单组学或同切片同结构多组学整合；10x Visium与MALDI-MSI（Matrix-Assisted Laser Desorption/Ionization-Mass Spectrometry Imaging）等平台位点结构不同，导致空间位置不能一一对应，而H&E染色图像长期只被当作辅助特征，未作为正式形态组（morphomic）模态参与整合。研究人员开展AgaeSMO研究，结论是：以图注意力网络（Graph Attention Networks, GATs）为主干、结合空间邻接图与KNN特征图、跨注意力对齐非配对模态、将H&E图像转为图像块嵌入后融合，可更精确地划分空间域、识别微环境异质性，并优于SpatialGlue、COSMOS、STAGATE等方法，对空间多组学整合具有重要方法学意义。
作者使用的主要关键技术方法包括：Scanpy预处理与高变基因筛选；基于PCA与scikit-learn构建KNN特征图；按几何距离构建空间邻接图；GATs编码器与解码器进行低维表示学习与特征重建；模态融合注意力层计算各模态权重并聚合；图交叉注意力层将代谢组等非配对模态重采样到转录组坐标；H&E图像以测序点为中心切块并展平为像素嵌入；mclust无监督聚类；扩散伪时间生成伪时空图（pSM）；Wilcoxon检验鉴定空间差异表达基因（SDEGs）。样本队列来源包括人淋巴结10x Visium RNA+蛋白数据、P22小鼠脑ATAC-RNA数据、6-OHDA帕金森模型小鼠脑RNA-MSI数据、人乳腺癌H&E+RNA数据、蝴蝶兰芽H&E+RNA数据，以及Stereo-CITE-Seq小鼠胸腺RNA+ADT数据与其下采样数据。
2.1 Overview of AgaeSMO Model：研究人员通过构建空间邻接图与细胞感知KNN特征图，以GATs编码各模态，用交叉注意力处理非配对结构，将H&E图像块嵌入作为形态组模态，经注意力权重融合得到联合表示并用于无监督聚类，得出结论：该框架可同时处理配对、非配对及形态组整合。
2.2 Best Performance of AgaeSMO Than State-of-the-Art Tools on Simulated Data and Spatial Multi-Omics Datasets：在模拟转录组-蛋白质组数据、人淋巴结A1、P22小鼠脑ATAC-RNA数据上，以同质性、互信息、V-measure、AMI、NMI、FMS、ARI等指标评测，研究人员得出AgaeSMO聚类和低维表示优于SpatialGlue、COSMOS、TotalVI、MultiVI、MOFA+、STAGATE等；消融实验显示GATs替代为GCN或简单拼接会降低性能。
2.3 AgaeSMO Integrates Spatial Modalities With Different Spots Structures：在SMA协议10x Visium与MALDI-MSI非配对数据、Stereo-CITE-Seq小鼠胸腺数据中，研究人员通过图交叉注意力把代谢组/蛋白组信号聚合到RNA位点，结论为AgaeSMO可区分尾壳核（Caudoputamen, CP）完整与损伤区、伏隔核（ACB）完整与损伤区，而下采样实验中仍保持稳定空间域识别。
2.4 AgaeSMO Integrates H&E Stained Image as a Morphomic Modality With Spatial Transcriptome：在人乳腺癌与蝴蝶兰花芽数据中，研究人员将H&E图像块嵌入与RNA表示融合，结论为AgaeSMO的ARI分别达0.585与0.261，某些簇中H&E模态权重更高，并可检出IGFBP5、EFHD1、AZGP1及RIC10/osmotin-like等发育或疾病相关基因，pSM与解剖结构一致。
讨论部分总结：研究人员指出GATs通过动态邻居权重比GCN静态聚合更适合多组学异质特征提取；图交叉注意力解决了SMA等非配对模态整合问题，而翻译式模型虽可预测另一模态但计算成本更高；H&E应作为与其他组学同级的形态组模态，AgaeSMO对该类图像利用优于SpaGCN、STAGATE等；该框架可扩展至多模态及高光谱、共聚焦图像等形态组数据类型。
研究结论部分翻译：AgaeSMO解决了空间多组学数据整合中的多种挑战。AgaeSMO利用GATs作为主干网络在节点间自适应传递消息；它是首个使用图注意力模块整合具有不同位点结构的模态、并将H&E染色图像全部特征作为形态组模态用于空间多组学整合的算法。其独特能力可实现精确空间域划分、微环境异质性检测及广平台兼容，优于已有工具。AgaeSMO采用GATs使特征提取更优；通过图交叉注意力设计实现非配对模态交叉引导对齐，解决了SpatialGlue与COSMOS不能处理的RNA-代谢组整合问题。H&E图像含有大量形态信息，应被视为与其他模态同级的形态组模态；AgaeSMO将其作为正式形态组模态融合，在转录组维度约3000而图像维度768时仍提升聚类与下游解释。系统在模拟、ATAC-RNA、RNA-MSI、RNA-H&E等数据上均显示更优兼容性与生物学可解释性，并在帕金森模型与乳腺癌、兰花发育中检出关键基因。总体而言，AgaeSMO为空间多组学提供优越工具，原则上可扩展至三种及以上模态，随数据增长具更广前景。
