摘要
空间转录组学通过同时分析基因表达谱和空间坐标，并结合组织学图像作为补充信息，能够对组织结构进行原位表征。然而，由于统计特性和结构模式的差异，有效整合这些不同的数据类型仍然具有挑战性。我们提出了st-Xprop，这是一种具有双图嵌入耦合的跨传播图网络，用于空间域识别。st-Xprop分别为基因表达和组织学特征构建特定类型的图，通过交替的跨模态传播来明确建模模态间的异质性，同时实现信息的互补交流。借助双图嵌入耦合，该框架逐步学习出一种统一的低维表示，既能整合多模态信号，又能保持空间一致性。在多个真实的空间转录组学数据集上的测试表明，st-Xprop显著提升了聚类精度和稳定性，尤其是在信号较弱或结构复杂的区域，从而得到更加稳定且具有生物学意义的空间域。
利益冲突声明
作者声明不存在利益冲突。
数据可用性说明
本研究分析了六个公开可用的空间转录组学数据集。各数据源的详细信息如下：人类背外侧前额叶皮层空间转录组学数据集来自spatialLIBD资源（http://research.libd.org/spatialLIBD/）【68】。小鼠脑部数据集，包括矢状后切面1（MBP）（https://www.10xgenomics.com/datasets/mouse-brain-serial-section-1-sagittal-posterior-1-standard-1-1-0）和冠状切面1（MBC）（https://www.10xgenomics.com/datasets/mouse-brain-section-coronal-1-standard-1-1-0），是从10x Genomics网站下载的。鸡心脏空间转录组学数据集则来自基因表达组学数据库（GEO），登录号为https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE149457。由10x Genomics生成的乳腺癌组织空间转录组学数据集可从https://www.10xgenomics.com/datasets/human-breast-cancer-block-a-section-1-1-standard-1-1-0下载。HER2阳性乳腺癌空间转录组学数据集则来自https://github.com/almaan/her2st/tree/master。用于反卷积分析的相应单细胞RNA测序数据集则来自GEO，登录号为https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE176078。胰腺导管腺癌空间转录组学数据集则来自GEO，登录号为https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE111672。为便于重复实验和访问，本研究使用的所有数据集都已被整理并存储在Zenodo平台上（https://zenodo.org/records/18449464）。所提出的st-Xprop算法的Python实现以及用于复现结果的代码均可在GitHub上获取（https://github.com/LiminLi-xjtu/st-Xprop和https://github.com/LiminLi-xjtu/st-Xprop_test）。
