L-STAR：基于大语言模型的空间转录组学空间域图谱比较与共识构建

《Nature Communications》：Visual LLM-guided consensus spatial domain detection with L-STAR

摘要

空间转录组学能够在保留组织中细胞位置的同时测量基因活性。一个关键的分析步骤是将组织划分为不同的空间域，但计算方法在不同数据集上的表现存在显著差异，没有一种方法能够始终表现出最佳性能。本研究证明，大型语言模型可以比较这些空间域图谱，并识别出表现更优的方法。我们开发了L-STAR工具，它能够直观地比较和排名各种候选方法，然后根据排名最高的结果构建出一个共识图谱。在涵盖不同组织、物种和技术的多个数据集中，L-STAR的匹配结果比单一方法或使用固定方法集的共识分析更为准确。无论图像颜色或展示顺序如何变化，L-STAR的排名结果都具有可重复性和稳定性。此外，L-STAR还能为其比较结果提供理论依据，并为检测到的空间域赋予生物学意义上的名称。这些发现表明，大型语言模型可以使空间转录组学分析更加适应性强、结果更稳健且更易于解释。