SpaMOCA：基于局部交叉注意力和对比学习的空间多组学整合

《Knowledge-Based Systems》：SpaMOCA: Spatial multi-omics integration with local cross-attention and contrastive learning

　　摘要空间多组学技术的发展使得我们能够更全面地表征组织微环境，但有效的数据整合仍面临挑战。不同组学模态之间的技术偏差和表达异质性可能导致全局融合策略对噪声敏感，而许多现有方法未能显式建模空间邻近性，可能无法完整刻画细胞功能状态。针对这些问题，我们提出SpaMOCA，一种用于空间多组学整合的深度学习方法。首先，SpaMOCA引入局部交叉注意力机制（Local Cross-Attention, LCA）用于局部跨组学交互建模，并结合难负样本挖掘策略进行对比学习，同时基于细胞空间坐标构建k近邻图，将跨组学交互约束在局部邻域内。其次，在对比学习中应用难负样本挖掘，选择高度相似的细胞作为负样本，提升嵌入的判别能力，便于捕捉细微表型差异。最后，SpaMOCA引入双通道空间正则化模块，强制邻域一致性和组织结构连续性，支持空间组织的忠实保留。在模拟和真实空间转录组数据上的评估表明，SpaMOCA能够稳健地支持空间域识别和可靠的空间多组学数据整合，实现更准确的融合和更精细的空间组织结构刻画，包括更清晰的组织边界和稀有细胞亚群。引言近年来，空间转录组学的快速发展，以及蛋白质、染色质和其他生物分子分析技术的改进，使研究人员能够在保留单个细胞空间上下文的同时，同时测量基因表达、蛋白质丰度、染色质可及性以及其他分子特征[1], [2]。这些技术生成了丰富的多维数据集，涵盖转录组、蛋白质组和表观基因组等多个层面，同时以单细胞分辨率维持精确的空间定位。这为研究细胞异质性、动态功能状态转换和细胞间通讯网络提供了前所未有的机遇，尤其是在复杂的组织微环境中。代表性空间技术如STARmap、Stereo-Seq、DBiT-seq、Spatial-CITE-seq和MISAR-seq已在癌症研究、胚胎发育和神经科学等领域得到广泛应用，显著推动了空间生物学的发展。随着多模态空间数据在规模和复杂性上持续增长，有效整合不同组学层的数据对于全面理解组织结构和细胞功能变得至关重要。然而，现有的空间多组学整合方法仍面临三个基本挑战：局部空间依赖建模不足、细粒度跨模态特征交互能力有限以及对技术噪声、批次效应和模态特定质量差异的鲁棒性不足。尽管近年来在方法论上取得了重大进展，这些挑战在很大程度上仍未得到解决。从方法学角度来看，为单一模态开发的空间分析方法即使整合了辅助图像的方法，如SpaGCN[3]和SpaICL[4]，也主要依赖转录组特征，未能利用互补的多组学信息。在这一类别中，早期框架侧重于拓扑表示，其中SpaceFlow[5]通过图神经网络将空间拓扑与基因表达整合，SpaMGAN[6]采用多视图图网络进行自适应边界划分。为应对普遍存在的技术噪声和dropout事件，SpaMask[7]引入双掩码图自编码器进行鲁棒编码。超越判别式方案后，SpaDiT[8]开创了空间扩散模型以捕捉复杂的非线性组织梯度。最近，为了扩展到多切片生物系统，SpaCross[9]被开发出来以建模跨切片架构，同时有效纠正批次效应。第二范式包括空间多组学整合方法，其代表性方法有GLUE[10]、WNN[11]、SpaMultiVAE[12]、SpatialGlue[13]和COSMOS[14]。这些方法在不同的技术路径上存在显著差异。具体而言，如SpaMultiVAE等生成式系统存在二次方计算复杂度问题；如COSMOS等矩阵分解框架将空间建模严格限制在线性范围内；如WNN等邻近度方法仅通过特征相似性估计模态权重，完全忽视了潜在的空间拓扑。最近，如SpatialGlue等图神经网络通过图卷积聚合邻域信息，已成为主导范式。尽管取得了显著成功，现有框架在对比学习背景下仍存在关键局限性。总体而言，这些局限性凸显了缺乏一种能够联合建模空间结构、跨模态依赖关系和噪声鲁棒性的统一方法，而这些能力对于充分利用空间多组学数据的生物学潜力至关重要。为克服现有空间多组学整合方法的关键局限性，我们提出SpaMOCA，一个专为高质量空间多组学建模而设计的深度学习框架。该方法由三个核心模块协同驱动。首先，基于细胞坐标构建的k近邻（KNN）图使双通道图卷积网络（GCN）能够在空间约束下学习模态特异性和共享的空间结构信息。其次，自适应模态融合机制根据局部数据特征动态调整每个模态的贡献，赋予融合过程更大的灵活性。此外，SpaMOCA通过梯度累积和早停策略增强训练稳定性。在模拟数据和真实世界空间多组学数据集上的评估表明，SpaMOCA能够准确重建层次化的组织结构、维持空间连续性并有效抑制技术噪声。本研究的主要贡献有三方面：- 所提出的框架是一种专为空间多组学整合设计的双通道图神经网络，联合建模跨模态依赖关系和空间组织。- 基于KNN的空间掩蔽机制旨在将跨组学交互约束在局部邻域内，有效过滤非局部噪声。- 在对比学习中引入难负样本挖掘策略，选择高度相似的细胞作为负样本，增强嵌入的判别能力以捕捉细微表型变异。- 在模拟和真实数据集上的综合验证表明，SpaMOCA持续优于当前最先进的方法。部分摘要SpaMOCA概述SpaMOCA是一个端到端的空间多组学整合框架，旨在联合建模多个分子模态，同时保留空间信息和生物学异质性。SpaMOCA首先构建k近邻（KNN）邻接矩阵[15]，将两种组学模态与细胞空间坐标信息整合（图1A）。该框架首先使用图卷积网络（GCNs）对每个模态进行编码，以捕捉基因或表观遗传特征SpaMOCA分析模拟STARmap小鼠视觉皮层数据集中的组织结构为评估模型性能，生成了模拟的空间多组学数据集，然后将SpaMOCA应用于STARmap小鼠视觉皮层数据集[24]，该数据集包含1207个细胞，跨越六个皮层层次（L1、L2/3、L4、L5、L6和HPC/CC）。使用差分干扰策略创建了两个合成模态：Omics1通过高斯噪声扰动L4和L5的表达谱，而Omics2则扰动L5和L6。该设计保留了未扰动层次的分离性讨论空间多组学技术能够在同一组织切片中同时测量多维分子信息，为阐明细胞状态和组织结构提供了强大机遇[41], [42], [43]。然而，由于局部空间依赖建模有限、跨模态交互不足以及对噪声、批次效应和模态特定质量变化的鲁棒性差，有效整合仍然具有挑战性。为解决这些问题作者贡献声明**韩怡帆（Yifan Han）：** 写作 – 审稿与编辑，写作 – 初稿撰写，验证，方法论，调查，概念化。**尚军良（Junliang Shang）：** 写作 – 审稿与编辑，资源，资金获取，形式分析，数据整理。**范爱民（Aitian Fan）：** 验证，监督，项目管理，资金获取，概念化。**苏文静（Wenjing Su）：** 验证，监督，资源，调查，数据整理。**邱德富（Defu Qiu）：** 资源，调查，资金获取，概念化。**王汉翔（Hanxiang Wang）**资助本研究部分得到中国国家自然科学基金的支持[62472250, 62503276, 62502271]。利益冲突声明作者声明他们不存在已知的竞争经济利益或个人关系，这些可能影响本文所报告工作的发表。韩怡帆|尚军良|范爱民|苏文静|邱德富|王汉翔