《Frontiers in Genetics》：DWGCN: distance-weighted graph convolutional network for robust spatial domain identification in spatial transcriptomics
编辑推荐：
本文提出距离加权图卷积网络（DWGCN），通过逆距离加权（IDW）和点特异性归一化策略重构空间图，有效解决传统图卷积网络（GCN）因均匀邻域权重导致的过度平滑问题。该方法在真实与模拟空间转录组（ST）数据中显著提升聚类精度（如调整兰德指数ARI提升9.09%），尤其适用于复杂空间结构的组织分析，为空间域识别提供了可泛化的增强方案。
背景
空间转录组学（ST）技术的突破使得在保留基因表达空间背景的前提下进行全转录组分析成为可能，为组织生物学研究提供了革命性工具。图卷积网络（GCN）作为空间域识别的核心方法，通过聚合邻域信息学习节点表征，但其效果高度依赖于底层邻接图的质量。现有ST流程通常采用K近邻（KNN）策略构建二值化邻接图，并通过基于度的归一化处理，导致边权重近乎均匀，削弱了空间距离异质性，加剧GCN的过度平滑问题，模糊组织边界。
方法
本研究提出距离加权图卷积网络（DWGCN），通过逆距离加权（IDW）替代传统均匀权重分配，并采用点特异性归一化策略。具体流程包括：首先计算相对距离（dij= 1 + d(0)ij/d?min），构建包含自环的KNN图；其次通过IDW计算边权重（Wij= 1/dpij），其中可调指数p控制距离衰减速率；最后对权重矩阵行归一化得到归一化邻接矩阵?dw。该设计确保近端邻居获得更高权重，同时保持自环优势，减少信息稀释。
结果
在4个真实数据集（包括人脑前额叶皮层、小鼠脑组织等）和4个模拟数据集上的测试表明，DWGCN增强模型在聚类指标上显著提升：平均ARI提升0.038（9.09%），NMI提升0.032（5.44%），同质性提升0.038（6.30%）。在复杂空间结构（如10个域）的模拟数据中，改进效果尤为突出（Cliff’s Delta达0.816）。增强效果存在模型差异性：SpaNCMG改进最显著（100%案例显著提升），而SEDR响应较弱。
讨论
DWGCN通过三重机制提升空间域识别性能：IDW恢复距离衰减模式，相对距离缩放保证跨平台可比性，行归一化保持权重顺序。其优势在细粒度边界识别场景中更为明显，但对参数p和k选择敏感。未来可探索自适应参数策略及多模态扩展。该框架为空间转录组分析提供了即插即用的图构建增强方案。
结论
DWGCN通过引入距离感知的图卷积机制，有效提升空间域识别的准确性与鲁棒性，尤其适用于复杂组织结构解析，为空间转录组学中的图神经网络应用提供了新范式。
