《Information Fusion》：SPARC: Spatial Transcriptomics Clustering via Adversarially Regularized Graph and Prototypical Contrastive Representation Learning
编辑推荐：
•多视图注意力机制能够自适应地融合空间图和特征图视图。•原型对比学习有助于缓解实例级别的类别冲突。•对抗性正则化和ZINB形式重建提供了互补的约束。•在DLPFC数据集上获得了最高的ARI/NMI分数；在HBC和MBA数据集上获得了最高的ARI分数。引言空间转录组学（ST）已成为
- •
多视图注意力机制能够自适应地融合空间图和特征图视图。
- •
原型对比学习有助于缓解实例级别的类别冲突。
- •
对抗性正则化和ZINB形式重建提供了互补的约束。
- •
在DLPFC数据集上获得了最高的ARI/NMI分数；在HBC和MBA数据集上获得了最高的ARI分数。
引言
空间转录组学（ST）已成为系统生物学中的一项变革性技术，它能够近乎单细胞分辨率地同时分析和基因表达及空间位置[1]。与传统单细胞RNA测序（scRNA-seq）不同，后者会破坏细胞间的空间关联性[2]，而ST技术保留了转录本的物理坐标，从而提供了前所未有的见解，揭示了组织微环境如何调控细胞功能和细胞间通信[3]。然而，仍然存在两个核心的计算挑战：学习有信息量的低维表示形式，以及尽管ST数据具有固有的稀疏性和噪声，仍需有效整合转录信息和空间信息。
尽管取得了显著进展，现有方法仍面临两个主要限制。首先，早期的图视图融合方法通常依赖于浅层整合策略或静态权重方案[4]、[5]、[6]。这些方法无法捕捉空间图和特征图视图之间的非线性及空间变化关系。例如，在结构均匀的区域，空间邻近性对其领域身份具有高度预测性；而在以显著转录转换为特征的边界区域，基因表达谱可能需要更大的相对贡献。静态融合规则无法适应这种局部变化，常常导致领域边界过度平滑或空间信息被低估[7]。
除了模式融合的局限性外，另一个关键瓶颈在于最先进的图模型所采用的自我监督学习目标[8]、[9]。这些方法主要依赖于“实例区分”目标，将每个空间点视为一个独特的类别。这种设定与空间领域识别的目标本质上是矛盾的，因为它无意中分离了相似的点，从而导致“类别冲突”[10]。因此，学习到的嵌入通常更倾向于强调实例级别的差异性而非语义一致性，导致簇分布碎片化。尽管最近的工作如STForte[11]和Focus[12]引入了成对约束，但通过原型对齐显式强制进行簇级别分离的方法在ST领域仍缺乏探索。弥合这一差距至关重要，因为原型目标可以引导编码器捕捉全局的组织异质性，而不是过度适应局部变化。
为了解决这些关键挑战，我们提出了SPARC，这是一个基于图的深度学习框架，旨在学习语义一致且结构连贯的表示。具体而言，SPARC采用双分支图神经网络（GNN）架构，并结合多视图注意力机制，根据局部组织情况自适应地融合空间图和特征图视图。为了克服实例区分的限制，我们引入了一种原型对比学习策略，将空间点与可学习的辅助原型对齐。此外，我们结合了对抗性正则化和基于零膨胀负二项分布（ZINB）的重建方法，形成一个整体优化目标，在保持稀疏ST数据中的表达信息的同时促进结构一致性。我们在多个基准数据集上进行了全面评估。实证结果表明，SPARC在DLPFC数据集上取得了最强的平均性能，在HBC和MBA数据集上 também表现优异，而组件分析指出了不同数据集和切片下的优势。
本文的主要贡献总结如下：
•我们提出了一个统一框架，该框架结合了基于HVGs的数据集特定特征选择或HVGs和SVG候选集的交集，以及双图架构，共同建模空间依赖性和转录相似性。
•我们开发了一个具有多视图注意力机制的双分支GCN。该模块动态地加权空间图和特征图视图，有效解决了异质组织区域中信息内容不均匀的问题。
•我们引入了包括原型对比学习在内的联合目标，以解决“类别冲突”问题，结合对抗性正则化和基于ZINB的重建方法。这种组合促进了具有表达信息的稀疏ST数据中的区分性聚类。
章节片段
相关工作
空间转录组学（ST）数据的分析迅速发展，主要集中在图神经网络（GNNs）、多视图数据融合和对比学习上。
早期的基于GNN的方法，如SpaGCN[4]，从空间和基因表达数据构建了一个单一图。然而，这种方法通常通过将异构信号合并到一个固定结构中来稀释视图特定信息。在更广泛的图聚类社区中，考虑邻居的空间感知多视图GCN架构
本节详细介绍了SPARC的架构和学习策略。如图1所示，工作流程首先构建空间图和特征图视图。然后，双分支编码器处理这些图视图，其中注意力机制自适应地将它们的互补信号融合成一个统一的嵌入。为了共同促进语义一致性、结构对齐和表达信息的保留，模型结合了原型对比学习
我们在三个不同的空间转录组学数据集上评估了SPARC：来自spaceLIBD的Human Dorsolateral Prefrontal Cortex（DLPFC）Visium数据集、来自10x Genomics的Human Breast Cancer（HBC）Visium数据集，以及来自10x Genomics的Mouse Brain Serial Section（MBA）Visium数据集。所有数据集都使用了第3.1节中的归一化和双图构建流程。DLPFC和MBA使用了HVG选择，而HBC使用了HVG和SVG候选集的交集。
本文提出了SPARC，这是一个用于空间转录组学聚类的多视图图表示学习框架。SPARC使用数据集特定的HVG选择或HVG和SVG候选集的交集，以及双图构建方案，来捕捉空间和转录依赖性。然后，双分支GNN结合注意力机制学习空间图和特征图视图的具体相对权重，而原型对比学习、对抗性
本研究部分得到了广东省基础与应用基础研究基金会（Grant No. 2024A1515030213）的支持，部分得到了中国浙江省自然科学基金（Grant No. LQN26F020020）的支持，以及西南科技大学重点实验室开放项目（Grant No. 25kfsk02）的支持。
数据可用性 本研究没有生成新的测序数据。所有分析的基准数据集
在准备本工作时，作者使用了OpenAI的ChatGPT来改进语言和提高手稿的可读性。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容承担全部责任。
Chengyao Sun：撰写——初稿、可视化、软件、方法论、调查、形式分析、概念化。Wenzhe Liu：撰写——审阅与编辑、验证、方法论、形式分析。Lian Wu：撰写——审阅与编辑、验证、调查、数据管理。Linlin Tang：撰写——审阅与编辑、可视化、调查、数据管理。Yitian Yang：撰写——审阅与编辑、可视化、验证、软件、数据管理。Qi Zhang：撰写——审阅与
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：作为区域编辑，Jie Wen没有参与本文的同行评审，也无法访问有关其同行评审的信息。本文的编辑过程全部由另一位期刊编辑负责。如果还有其他作者，他们声明没有已知的财务利益或
Chengyao Sun 2024年毕业于曲阜师范大学计算机科学技术学院，目前正在深圳哈尔滨工业大学计算机科学技术学院攻读硕士学位。他的研究兴趣主要集中在机器学习和空间领域识别。
Chengyao Sun|Wenzhe Liu|Lian Wu|Linlin Tang|Yitian Yang|Qi Zhang|Jie Wen
