《Science Progress》：A unified spatial AI framework for cross-domain tissue-state analysis in wound healing, oral, and cardiovascular pathology
编辑推荐：
目的：构建跨域空间人工智能（spatial AI）框架，以识别伤口愈合、口腔病理与心血管组织中保守的组织状态（tissue-state）空间架构。方法：整合四个公共空间转录组（spatial transcriptomic）数据集，覆盖伤口愈合、牙周炎、口腔鳞状
目的：构建跨域空间人工智能（spatial AI）框架，以识别伤口愈合、口腔病理与心血管组织中保守的组织状态（tissue-state）空间架构。方法：整合四个公共空间转录组（spatial transcriptomic）数据集，覆盖伤口愈合、牙周炎、口腔鳞状细胞癌与心脏组织，联合采用递归建模（recurrence modelling）、基于图的空间学习（graph-based spatial learning）、模糊组织状态分析（fuzzy tissue-state analysis）与张量分解（tensor decomposition），并评估跨域耦合、空间碎片化、递归结构及基于置换的拓扑验证。结果：识别出六个保守模糊组织状态，主要由细胞外基质（extracellular matrix, ECM）重塑、成纤维细胞/间质激活、内皮信号与炎症通路主导；潜嵌入分析显示伤口愈合与口腔域重叠显著，心血管组织空间组织更紧凑；口腔鳞状细胞癌呈现最高碎片化与空间熵；张量分解揭示跨域保守的间质重塑程序；置换检验显示图模块性与空间熵均显著异于零模型，而平均局部递归未显著升高。结论：该框架在組織起源、病理类型与技术平台差异下，仍识别出连接伤口愈合、口腔与心血管组织的保守空间组织状态架构，为跨疾病系统的间质与炎症微环境研究提供空间人工智能分析范式。
研究背景与问题提出
空间转录组（spatial transcriptomics, ST）技术可在保留组织原位信息的同时解析基因表达，使研究人员能够高精度刻画组织微环境与细胞空间组织。然而，现有空间人工智能研究多集中于单一疾病、单一组织或监督分类任务，难以揭示伤口愈合、口腔炎症与病理、心血管重构这些解剖位置不同但共享炎症、间质、血管与细胞外基质（extracellular matrix, ECM）重塑机制的病理系统之间是否存在保守的空间组织逻辑。传统方法常依赖硬性聚类或离散细胞状态赋值，难以刻画炎症与间质微环境中连续、重叠的生物学过渡；同时，多数框架缺乏基于置换零模型的拓扑验证，难以判断所识别结构是否超越随机聚类假象。
研究人员由此开展一项跨域空间AI研究，整合伤口愈合、口腔病理与心血管病理四类公共空间转录组队列，构建统一计算框架，旨在发现跨组织、跨平台条件下可保守再现的潜组织状态及其空间结构规律。
主要技术与样本队列
研究人员使用四个公共数据集：人伤口愈合数据集GSE241124、口腔牙周炎数据集GSE206621、口腔鳞状细胞癌（oral squamous cell carcinoma, OSCC）数据集GSE208253、人心脏疾病相关数据集GSE135805。方法上依次采用基因标识符统一与文库大小归一化；基于k近邻（k-nearest neighbour, kNN）的空间图构建与高斯相似核加权；通路活性打分；共享主成分分析（principal component analysis, PCA）潜坐标学习与鲁棒位置—尺度协调；图平滑得到空间潜表示；模糊c均值（fuzzy c-means, FCM）识别重叠组织状态；张量分解提取跨域程序；并以置换检验评估图模块性、空间熵与局部递归结构。
研究结果
跨域研究设计与公共空间转录组数据集
通过将皮肤修复、口腔炎症、OSCC与心脏组织纳入统一分析，研究人员将问题定义为在异质组织中寻找反复出现的炎症、间质、血管、缺氧与代谢程序，而非假设疾病间存在直接因果。
基因协调与归一化
各数据集映射至共同基因集并做104计数归一化，保留稀疏与零值结构，为跨域潜建模消除技术偏差。
空间图构建
以k=8近邻与高斯核建立带权邻接矩阵，利用图拉普拉斯约束相邻组织区域在潜空间中表示相似，强化局部空间连续性。
通路活性打分
将表达投影到保留基因数≥3的通路集合，得到位点水平通路活性矩阵，提升生物学可解释性。
空间潜表示学习
通过池化PCA基与组件级协调，将不同数据集映射到同一q=20潜坐标；再以α=0.15、T=10的图扩散平滑，得到兼顾分子与空间信息的嵌入。
模糊组织状态建模
采用FCM（fuzzifier m=2，K=6）获得连续成员度矩阵，避免硬聚类对过渡态的丢失；以划分系数（partition coefficient, PC）与Xie–Beni指数辅助评估分区质量。
跨域组织状态保守性
六个模糊状态在多域中稳定出现，以ECM重塑、成纤维/间质激活、内皮信号与炎症通路为主；伤口愈合与口腔域潜嵌入重叠强，心血管域更紧凑。
研究结果续
空间碎片化与递归结构
OSCC显示最高空间熵与碎片化；递归分析显示局部递归未普遍显著高于置换背景，说明非线性重复结构并非主要驱动。
张量分解与潜程序
张量分解识别跨域共有的间质重塑程序，印证基质重构是多组织病理中的核心保守模块。
置换拓扑验证
相较置换零模型，真实数据具有更高图模块性与更低空间熵，证明观测到的空间组织具有非随机生物学结构。
讨论与结论翻译
讨论指出，该框架突破了单疾病空间AI的局限，以模糊、图感知与张量联合表示刻画连续组织状态，并在无监督条件下发现跨域保守架构。结论如下：所提出的框架识别出了尽管组织起源、病理特征与获取技术不同，仍连接伤口愈合、口腔病理与心血管组织的保守空间组织状态架构；这些发现证明了空间AI在探索临床相关疾病的间质与炎症微环境组织规律中的潜力，可支持伤口愈合、口腔及系统性疾病中的空间生物学研究。
接下来你想优先深化方法学评价、结果可信度分析，还是论文改进建议？
