香港浸會大學與國內外學者合作，針對目前空間多組學的短板，開發了「空間多視角」表徵學習算法。該算法可對複雜組織異質性提供精確的系統層級視圖，助力更深入的生物學發現。研究成果已刊於《自然 － 通訊》。

論文：

• https://www.nature.com/articles/s41467-026-74718-1

研究背景

空間多組學（Spatial multi-omics）技術是在原生組織結構中擷取來自基因組學、轉錄組學、蛋白質組學及代謝組學的空間分辨圖譜，以全面掌握細胞狀態。然而，整合這些錯綜複雜的數據集一直是一項分析挑戰。

現有的整合方法通常強行將來自不同組學的數據納入單一且統一的潛在空間中，本質上模糊了每個層級所提供的獨特、且具模態特異性的見解，因而限制了多組學分析的效能。

研究成果

浸大計算機科學系張璐博士與范登堡大學學者領導團隊，開發了「空間多視角」（Spatial Multi-View，SpaMV）表徵學習算法。與混淆不同數據類型的傳統方法不同，該算法明確地將跨組學共享資訊與組學特異性私有資訊，分離至完全獨立的潛在空間中，並通過三個核心組件實現空間多組學分解：

第一，依賴圖注意力網絡的雙編碼器架構。每個組學層級均配備一個共享編碼器和一個私有編碼器，以提取包含空間資訊的嵌入，並配合組學特異性解碼器，確保精準的數據重構。

第二，專門設計的輔助測量模型，以盡量減少來自某一組學的私有潛在變數與來自另一組學的數據之間的互信息，防止共享生物資訊滲漏至私有空間。

第三，利用「希爾伯特－施密特獨立準則」（Hilbert-Schmidt Independence Criterion，HSIC）的非參數獨立性檢驗，強制要求共享變數與私有變數之間嚴格保持統計獨立性，從而確保共享空間表徵不會受到組學特異性異常的污染。

團隊將 SpaMV 的效能與八種現有的空間整合方法，包括 SpatialGlue、CellCharter、SMOPCA 及 COSMOS，進行廣泛基準測試。在涵蓋轉錄組－表觀基因組、轉錄組－代謝組、以及轉錄組－蛋白質組的三個模擬數據集、五個真實數據集中，SpaMV 在空間區域聚類（spatial domain clustering）方面持續表現優異。

例如，當應用於腎透明細胞癌（ccRCC）的空間轉錄組－代謝組數據時，成功劃分出清晰且空間連貫的區域邊界，揭示了代謝組特異性的空間程式，例如以三酸甘油酯為特徵的壓力相關脂質儲存，這些現象在僅分析轉錄組數據時，是無法察覺的。同樣地，在共同分析空間組蛋白修飾的小鼠胚胎數據集中，SpaMV 成功分離出解剖學上截然不同的結構，如頜部、舌頭及鼻子區域，而其他競爭算法要麼將這些區域混為一談，要麼完全遺漏。

除了優異的聚類表現，SpaMV 還提供易於解釋的主題模型，讓共享與私有主題得以視覺化，從而清晰地展示哪些組織區段是由多組學共識所定義的，哪些由特定的單一組學層級所驅動。這功能對於精準的細胞類型注釋（cell type annotation）及避免誤導的生物學結論至關重要。

在一份包含配對轉錄組學與蛋白質組學的空間分辨率小鼠胸腺數據集中，SpaMV 識別出一個以經典 B 細胞標記（如 CD45R 和 CD19）為特徵的蛋白質組特異性主題。僅依賴轉錄組差異表達來定義空間區域的標準整合方法，往往會錯誤標籤此類區域，導致錯誤的生物標記識別。由於 SpaMV 能解開這些相互交織的信號，研究人員可以放心利用標靶蛋白質組學資訊來注釋空間區域，從而避開這些常見的分析陷阱。

研究團隊

論文第一作者是浸大 Yang Liu。共同通訊作者是浸大張璐博士，范登堡大學的 Xin Maizie Zhou 博士。

張璐博士

如欲知道更多教科相關消息，請留意京港 Facebook 專頁：https://www.facebook.com/BHKAEC