《Advanced Science》：SemanticST: A Scalable Multi-Contextual Graph Learning Framework for Uncovering Spatial Niches and Robust Multi-Sample Integration in Spatial Transcriptomics
编辑推荐：
空间转录组学（ST）分析常受技术局限与方法偏置干扰，使主导信号掩盖罕见细胞类型与细粒度异质性等细微但关键生物学模式，高复杂度平台（如Xenium）尤为突出。研究人员提出SemanticST，一种图神经网络（GNN）框架，以根本不同的设计应对该挑战。Semant
空间转录组学（ST）分析常受技术局限与方法偏置干扰，使主导信号掩盖罕见细胞类型与细粒度异质性等细微但关键生物学模式，高复杂度平台（如Xenium）尤为突出。研究人员提出SemanticST，一种图神经网络（GNN）框架，以根本不同的设计应对该挑战。SemanticST是首个实现mini-batch训练的GNN方法，可对海量ST数据（经Xenium验证）可扩展分析。其核心采用多语义图融合策略，在组织内学习解耦的生物学表征，使用min-cut损失，既无需图腐蚀也无需对比采样。跨脑、胚胎、肿瘤等组织基准测试证实其一致优越性：在金标准大脑皮质上ARI/NMI最高提升20%，唯一清晰划分小鼠嗅球各层与海马亚区；在高分辨率乳腺癌数据中，仅从Xenium即识别计算可信的空间域，包括候选罕见三受体阳性区域与FOXC2富集的EMT相关域；并在既定基准上提供优越、鲁棒的多样本整合。SemanticST为将空间复杂性转化为生物学可信息与可检验假设提供了关键可扩展框架。
研究背景：空间转录组学（ST）在保留空间背景下的转录测量中变革了组织对认知，但现有方法多依赖固定单图结构、对比学习需图腐蚀与正负采样、且难以扩展到Xenium等单细胞分辨率海量数据；同时垂直/水平多切片整合时常批效应难除。为突破数据表示僵化、学习策略受限与可扩展性不足三重瓶颈，研究人员开展本研究。
主要关键技术方法：构建基于社区检测与语义图结构学习的无监督框架。先依空间坐标建邻域图，生成K个共享邻接但权重不同的语义图（semantic graphs）；各图经独立GCN自编码器得嵌入，由可学习语义分数加权融合；以min-cut损失（Deep MinCut算法）替代对比损失，联合重构损失优化，并引入mini-batch训练兼顾局部全局信息。样本涵盖10X Visium人DLPFC（12片）、小鼠脑、人乳腺癌，Slide-seqV2小鼠海马，Stereo-seq小鼠嗅球与E9.5胚胎，Xenium人乳腺癌及多切片垂直/水平整合队列。
研究结果：
2.1 Overview of SemanticST：经语义图学习与嵌入空间两步，融合多语义嵌入并以min-cut保社区结构，支持单切片与多切片整合。
2.2 Assessment of Human DLPFC Domain：在151673等切片上，SemanticST的ARI/NMI/HOM中位数最高且IQR最窄，唯一完整恢复Layer 2/4与白质边界，Friedman与Wilcoxon检验显著优于DeepST、SpaGCN、SEDR、GraphST、STAGATE。
2.3 Mouse Olfactory Bulb in Stereo-seq：唯一准确划分RMS、GCL、IPL、MCL、EPL、ONL全部七层，对齐Mbp、Slc6a11等标记。
2.4 Adult Mouse Brain & Hippocampal Precision：Visium小鼠脑中唯一区分CA1/CA3与DG-sg/DG-mo；Slide-seqV2海马中较STAGATE/GraphST边界更整，并捕获第三脑室Enpp2阳性域。
2.5 Mouse Embryo E9.5 Stereo-seq：精准单簇心脏（Myl7/Myh6等）、肝脏（Afp/Alb）、体节（Pax1/Myog），空腔单独成簇，优于GraphST的过碎或合并。
2.6 Breast Cancer Visium：细分IDC_2为ABCC11/ABCC12双域，分肿瘤芯（簇16，免疫相关GO）与边缘（簇19，发育/营养响应），语义图分别捕获XBP1、SNCG、IGLC2相关亚程序。
2.7 Xenium High-Resolution BC：在Banksy/IRIS外唯一处理全量Xenium；识CD4 T、内皮、基质、巨噬、脂肪域；分DCIS1/2（KRT15/MZB1/CEACAM6）与浸润癌；发现簇18罕见ESR1+PGR+ERBB2+三受体阳性小域；域10为FOXC2上调、CDH1保留、ZEB1/2下调的部分非经典EMT肌上皮过渡态。
2.8 Vertical/Horizontal Integration：四人DLPFC连续片iLISI最高（2.96）cLISI波动最小；小鼠乳腺癌两片整合无碎片；小鼠脑前后片水平拼接准确还原五层皮质与海马腹侧。
讨论与结论翻译：ST分析若套用普通数据范式会放大主导信号而淹没罕见细胞类型等细微模式。研究人员受生物系统复杂性启发提出语义图概念，以动态MLP注意力构建多语义图，各空间独立学注意力，避对比学习所需图腐蚀与全局负采样，min-cut直接在嵌入空间强社区结构。SemanticST经Visium至Xenium多分辨率验证优于SOTA，且批次校正不依赖预定义批因子。在乳腺癌双平台分析中揭示广泛转录景观与细粒度亚域。该框架以可解释AI逻辑流提供决策路径，将空间复杂性转为可检验假设，发表于《Advanced Science》。
