空间转录组学中的人工智能：方法、数据集与未来方向综述

《Briefings in Bioinformatics》：Artificial intelligence in spatial transcriptomics: a review of methods, datasets, and directions

　　

摘要专业翻译 空间转录组学（Spatial Transcriptomics，ST）在保留组织切片内转录本或细胞位置信息的同时测量基因表达。与在细胞群体中平均表达水平的批量RNA测序（bulk RNA sequencing）不同，单细胞RNA测序（single-cell RNA sequencing，scRNA-seq）通常需要组织解离，而ST将分子谱与组织结构联系起来。这种空间信息支持对组织异质性、细胞组织以及潜在细胞间相互作用的分析。ST的空间解析特性已在癌症、神经科学、生殖生物学和植物生物学等领域开启了广泛的应用。与此同时，公开可访问的数据库和存储库的发展促进了大规模、多队列的比较和基准测试。这些数据集的快速扩展和日益复杂性推动了机器学习（Machine Learning，ML）、深度学习（Deep Learning，DL）和人工智能（Artificial Intelligence，AI）技术的应用。这些计算工具支持一系列任务，包括数据预处理、图像分割、空间域识别和模式识别。此外，它们在整合性多组学分析和预测建模中发挥着重要作用。这篇以AI为重点的综述提供了ST技术和数据库的必要背景，并评估了统计、ML和DL方法在分析工作流程中的应用，从图像和测序数据预处理到空间分析和LLM辅助解读。研究人员整理了与数据集、AI驱动的分析框架和ST数据分析流程相关的关键资源，并讨论了基于AI的工具在空间组学中当前的挑战、局限性和未来方向。

论文解读文章

一、研究背景与问题

多细胞生物由数万亿个细胞组成，这些细胞尽管共享相同的基因组，但在功能、结构和行为上存在显著差异，表现出不同的基因表达模式。这种变异不仅受组织类型影响，还受周围微环境影响。因此，理解组织内细胞基因表达的独特模式和空间排列，对于研究组织功能和疾病的潜在分子机制至关重要。下一代测序（Next-Generation Sequencing，NGS）的出现使全基因组水平的基因表达分析成为可能，但批量RNA测序会平均化整个细胞群体的基因表达谱，从而丢失细胞异质性；单细胞RNA测序虽能在单个细胞水平进行剖析并保留细胞异质性，却会破坏原始组织结构，导致细胞空间信息丢失，而空间信息对于理解细胞间相互作用和组织功能至关重要。

为克服传统单细胞技术的局限性，空间转录组学（Spatial Transcriptomics，ST）应运而生。ST在保留完整组织样本原生空间背景的同时生成高分辨率基因表达图谱，为每个细胞分配包含二维空间坐标（x，y位置）乃至三维体积坐标（x，y，z）的独特空间标签。ST已在癌症研究、神经科学、植物生物学等多个领域展现出广阔的应用前景。然而，ST技术采用多种方法产生了海量数据，包括空间信息和基因表达信息。这些数据集的快速积累推动了各种公开数据库和精心管理的存储库的发展，但同时也带来了数据异质性、批次效应、注释漂移、特征不匹配以及AI研究中的训练-测试污染等问题，导致基准测试不可靠、可重复性有限、跨平台迁移能力弱以及计算负担沉重。因此，系统性地综述AI方法在ST完整分析流程中的应用，评估现有数据库资源和基准测试证据，并探讨基础模型和大语言模型（Large Language Models，LLMs）的当前证据与局限性，具有重要的学术价值和现实意义。

二、研究内容与意义

本综述聚焦于计算方法与ST的交叉领域，系统总结了各种类型的ST技术及其产生的大规模复杂数据集。研究人员讨论了ML、DL和基于AI的计算工具在分析ST数据中的整合应用，涵盖从图像和测序数据预处理到空间分析和LLM辅助解读的完整分析工作流程。综述还涉及多组学整合流程，强调了ST在多个研究领域的应用，并讨论了将塑造空间组学未来发展的挑战、局限性和方向。与以往仅关注ST技术某一方面的综述不同，本研究覆盖了AI相关方法在ST完整工作流程中的应用，包括预处理、下游分析、多模态整合和解读，同时评估了主要ST数据库和存储库，总结了可用的基准测试证据，并审视了基础模型和LLMs的当前证据与局限性，为空间组学领域的AI方法选择和验证提供了全面的参考框架。

三、主要技术方法

研究人员在综述中系统梳理了ST分析的关键技术方法。在数据预处理方面，成像预处理方法涵盖图像采集、配准、转录本斑点识别、信号解码、细胞分割、质控和标准化，代表性工具包括DeepBlink、Cellpose和StarDist；序列预处理方法包括空间条形码拆分、读段比对和基因定量，代表性工具包括Space Ranger、STAR和HISAT2。在下游分析中，批次效应校正采用Harmony、SPIRAL和SpaCross等工具；降维采用STAGATE、SpatialPCA和STAMP等空间感知方法；空间聚类和域识别采用GraphST、BayesSpace和SpaGCN等图神经网络和贝叶斯方法；细胞类型反卷积采用Cell2location、RCTD和CARD等工具；SVG检测采用HEARTSVG和GAADE等方法；细胞间通讯分析采用CellChat和SpatialDM等工具；多组学整合采用NicheCompass、BANKSY和Tangram等方法。综述还评估了DeepSpaceDB、SOAR、SORC、STOmicsDB、CROST、SPASCER、Aquila、SODB和SpatialDB等主要ST数据资源库。

四、研究结果

ST技术分类与比较： 综述将ST技术主要分为成像方法和测序方法两大类。成像方法包括原位杂交（In Situ Hybridization，ISH）和原位测序（In Situ Sequencing，ISS），其中smFISH、osmFISH、seqFISH+和MERFISH等代表性技术可实现从单基因检测到近全转录组覆盖的多种分辨率水平；测序方法包括10× Genomics Visium、Slide-seq、Stereo-seq和Seq-Scope等平台，提供无偏的全转录组分析。综述通过技术比较表（Table 2）展示了不同平台类别在分辨率、覆盖率、通量、灵敏度和适用场景方面的差异。此外，新一代混合平台如DBiT-seq、Visium HD和Xenium等正在兴起，将原位测序与NGS条形码结合或共同分析RNA与蛋白质、染色质可及性和代谢物。

ST数据资源评估： 综述系统评估了9个主要ST数据库和存储库，包括DeepSpaceDB（2700+样本）、SOAR（4767样本，13个物种58种组织类型）、SORC（82个癌症数据集，17种癌症类型）、STOmicsDB（378个数据集，17个物种）、CROST（544个数据集）、SPASCER（43项研究，1082个子数据集）、Aquila（110个数据集，30种疾病）、SODB（3000+实验）和SpatialDB（24个数据集）。这些资源在样本规模、物种覆盖、疾病侧重和最佳使用场景方面各有特点，但均面临数据格式异质性、平台差异和元数据不一致等挑战。

AI方法在ST分析中的应用： 综述详细评估了AI方法在ST分析各阶段的应用。在图像预处理中，深度学习方法如DeepBlink用于转录本斑点识别，Cellpose和StarDist用于细胞分割。在批次效应校正中，空间感知方法如SPIRAL和SpaCross优于非空间方法。在降维中，STAGATE、SpatialPCA和STAMP等空间感知方法优于传统PCA。在空间聚类中，GraphST和STAGATE等图方法在多个基准测试中表现优异，但结果依赖图构建和预处理。在细胞类型反卷积中，Cell2location和RCTD等方法依赖参考数据集质量。在SVG检测、细胞间通讯分析、空间轨迹推断和3D重建等方面，AI方法均展现出显著优势。

基础模型与LLMs的现状： 综述指出，LLMs作为深度学习的一个子类别，在ST中正作为交互式、解读性和整合性任务的辅助工具出现。LLMs被定位于定量分析之后，用于查询、注释和假设生成。然而，综述强调LLMs在ST中的应用仍处于早期阶段，需要对其证据和局限性进行严格评估。

五、讨论与结论

综述指出，ST数据资源的异质性（包括平台、分辨率、转录组覆盖度、文件格式、坐标系、分割程序和元数据约定）损害了互操作性，并引入批次效应、注释漂移、特征不匹配和可能的训练-测试污染。为此，需要通用数据模型、受控词汇表、来源追踪、数据集版本管理、研究级别的训练-测试分离、平台感知协调和FAIR元数据来支持稳健整合和AI模型验证。

在方法选择方面，综述强调应以生物学问题、数据生成平台、空间分辨率、组织学图像和单细胞参考的可用性、模态匹配和计算规模为指导，而非以特定模型或工具的流行度为依据。应进行敏感性分析，报告预处理和参数设置，并使用独立数据或正交证据验证主要发现。

在结论部分，综述强调AI方法已深度融入ST分析的各个环节，从数据预处理到空间域识别、细胞类型反卷积、SVG检测、细胞间通讯推断和多组学整合。然而，当前仍面临数据标准化不足、基准测试不一致、跨平台泛化能力弱和LLMs应用证据有限等挑战。未来发展方向包括建立通用数据模型和受控词汇表、开发平台感知的协调方法、推进基础模型在ST中的应用，以及加强多模态整合和临床转化研究。本综述为空间组学领域的AI方法选择、数据库利用和未来研究提供了全面的参考框架，对推动ST技术在生物医学研究和疾病理解中的应用具有重要意义。