《Nature Methods》：Integration and annotation of spatial multi-omic data with DIRAC
编辑推荐：
空间多组学技术可在完整组织中同时测量多个分子层。该领域存在两个核心挑战：其一是垂直整合（vertical integration），即融合不同分子模态；其二是水平整合（horizontal integration），即跨研究对齐细胞类型。研究人员提出域不变表征
空间多组学技术可在完整组织中同时测量多个分子层。该领域存在两个核心挑战：其一是垂直整合（vertical integration），即融合不同分子模态；其二是水平整合（horizontal integration），即跨研究对齐细胞类型。研究人员提出域不变表征通过自适应校准（DIRAC）这一几何深度学习模型，将两类任务统一于通用域适应（domain adaptation）框架中。DIRAC学习对任务具有判别性、但对由批次效应、组学模态或研究站点引起的域偏移不敏感的特征，从而构建共享嵌入空间，并通过标签转移（label transfer）从参考数据集实现自动化细胞类型注释。在基于测序与基于成像的数据集中，DIRAC在胶质母细胞瘤（glioblastoma）中识别出新的微血管增殖域，在重度阿尔茨海默病（Alzheimer’s disease）中校正皮层分层注释，在小鼠胚胎中解析细微结构，并对缺失数据与未见细胞类型保持鲁棒。研究人员生成小鼠脾脏与胸腺Stereo-CITE-seq数据，并利用DIRAC揭示胸腺T细胞迁移与脾内免疫细胞互作。DIRAC具备高计算效率，可扩展至百万级细胞。
研究背景与问题提出
空间多组学技术能够在组织原位同时获取转录组、蛋白质组、染色质可及性等多层分子信息，为解析组织架构与细胞状态提供了前所未有的分辨率。然而该领域长期面临两方面瓶颈：一是垂直整合困难，即如何把同一组织切片中不同分子模态稳健融合进统一表征；二是水平整合困难，即如何把带标签的参考数据集与无标签查询数据跨平台、跨研究对齐以实现自动注释。既有方法多针对单组学或非空间场景，较少同时校正模态间批次效应并利用空间邻域信息，导致嵌入空间混合不充分、空间域分割粗糙、注释依赖人工标记且难以迁移。
针对上述问题，研究人员开发并提出DIRAC（domain invariant representation through adaptive calibration，通过自适应校准获得域不变表征）模型，是一种几何深度学习（geometric deep learning）框架，将垂直与水平整合统一在域适应范式下。该研究发表于《Nature Methods》，核心结论是：DIRAC能够学习对任务有判别力但对域偏移不敏感的细胞表征，在模拟与真实数据中均优于现有空间多组学整合与注释方法，并可扩展至百万级细胞，具备发现新生物学结构的能力。
主要关键技术方法
研究采用非负空间分解（NSF）与scMultiSim模拟数据，以及DBiT-seq小鼠胚胎、10x Visium胶质母细胞瘤、Stereo-seq阿尔茨海默病前额叶皮层、seqFISH小鼠胚胎、小鼠胸腺与脾脏Stereo-CITE-seq等真实队列。方法上以图神经网络（GNN）编码空间-分子图，引入对抗性域判别器（adversarial domain discriminator）去除模态与批次标识；垂直整合结合多模态一致性（multimodal consistency）与最大均值差异（maximum mean discrepancy, MMD）；水平整合采用伪标签对齐（pseudo-label alignment）与稠密子图采样，实现亚线性计算开销。
研究结果
DIRAC框架概述
研究人员将垂直整合定义为多模态共享嵌入学习，将水平整合定义为参考-查询标签转移；两者均视为域适应问题。通过GNN捕获空间与分子相似度，对抗判别器剔除域特有信号，保留细胞类型与状态信息，并可识别低置信度未见细胞类型。
空间多组学垂直整合的模拟与真实评估
在NSF模拟结构化域、scMultiSim弥散分布及DBiT-seq真实胚胎数据中，DIRAC在调整兰德指数（ARI）与组学混合得分上均优于SpatialGLUE、MISO、MaxFuse、MultiVI。真实小鼠胚胎E10数据显示其空间域连续且生物信号保留更好。
胶质母细胞瘤垂直多组学整合揭示新型空间域
在10x Visium RNA-蛋白胶质母细胞瘤数据中，DIRAC识别出既往方法遗漏的微血管增殖界面（PVI）域，并以内皮/壁细胞标记（PECAM1、ACTA2、CLDN5）与APLN-APLNR信号通路支持该域的促血管生成互作。
水平整合的模拟与真实评估
在scMultiSim与人类背外侧前额叶皮层（DLPFC）12张切片留一验证中，DIRAC标签转移准确率与AUC均最高，对丢失值、未见细胞类型及跨平台批次效应保持鲁棒，置信度打分可标记未知类型。
DIRAC识别阿尔茨海默病脑组织中既往错误分层
在BA10区Stereo-seq数据中，DIRAC跨对照、中度与重度AD阶段恢复皮层各层与白质，而传统无监督聚类与Seurat转移在重度AD误判为分层消失；神经病理H&E复核支持DIRAC注释，并纠正层2/层4归属。
小鼠胚胎细微空间生态位解析
利用E8.5–E8.75 seqFISH与scRNA-seq参考，DIRAC将前脑细分为端脑、间脑、下丘脑，并由Fgf15、Wnt5a、Shh空间表达佐证；在E16.5 Stereo-seq中进一步识别胸腺T细胞富集等被原注释忽略的亚区。
小鼠胸腺T细胞空间迁移双向整合
研究人员生成小鼠胸腺Stereo-CITE-seq，垂直整合RNA与128种蛋白，划分被膜、皮质、皮髓交界与髓质；水平转移scCITE-seq标签后，多组学嵌入正确将成熟CD4?/CD8? T细胞定位于髓质，并重构双阴性、双阳性增殖与阴性选择等发育轨迹的空间迁移路径。脾脏数据则揭示免疫细胞的精细互作生态位。
讨论与结论翻译
讨论指出，DIRAC把垂直与水平整合统一为域适应问题，通过对抗训练兼顾批次校正与生物信号保留，弥补了既有空间多组学方法显式去批次不足、忽视空间邻域及难迁移注释的缺陷。其稠密子图采样策略使内存与计算呈亚线性增长，可处理百万细胞规模。结论为：DIRAC是一种快速、可扩展且鲁棒的空间多组学整合与注释框架，能够在复杂组织中发现此前未被识别的空间域与细胞状态，并为跨平台、跨研究的空间多组学分析提供通用计算基础设施。
接下来你更想先看 DIRAC 的方法细节、实验对比，还是复现要点？
