空间多组学分析新范式：SpatialGlue与10x Visium/STARmap数据实战对比

原创

于 2026-02-16 08:37:11 发布 · 895 阅读

收录于

当前文章被以下社区和专栏收录：

空间多组学分析新范式：SpatialGlue与10x Visium/STARmap数据实战对比

1. 空间多组学整合的技术挑战与机遇

在单细胞分辨率时代，研究者们逐渐意识到单纯依靠转录组数据难以全面揭示组织微环境的复杂性。空间多组学技术的崛起，使得我们能够从同一组织切片中获取转录组、蛋白质组、表观基因组等多维度数据。然而，这些数据往往存在三大核心矛盾：

模态异质性：不同组学数据的特征维度差异悬殊（如蛋白质组通常仅几十个标记物，而转录组可达数万个基因）
平台特异性：基于测序（如10x Visium）和成像（如STARmap）的技术产生完全不同的数据分布
空间分辨率错配：不同模态的空间定位精度可能相差数个数量级

传统整合方法如Seurat的WNN或MOFA+，往往将空间信息作为事后修正因素，而非建模的核心组件。这导致两个典型问题：

在皮质层分析中，单模态方法平均遗漏23%的已知空间标记基因
跨平台整合时，约35%的空间域边界会出现模糊或偏移

2. SpatialGlue的双注意力机制解析

2.1 模型架构创新点

SpatialGlue的突破性在于其双重注意力框架：

class SpatialGlue(nn.Module):
    def __init__(self):
        # 模态内注意力层
        self.intra_att = GraphAttentionLayer(feat_dim, n_heads=4)
        # 模态间注意力层  
        self.inter_att = CrossModalityAttention(hidden_dim)
        
    def forward(self, x_spatial, x_omics):
        # 空间图与特征图并

标签