Cell Genomics | 基于最优传输理论解码复杂空间组学数据

肿瘤 等复杂疾病 组织的研究一直是生命科学领域的热点和难点。传统的空间转录组学方法在处理 复杂疾病 样本时面临 着 诸多挑战，如复杂的区域边界、不均匀的细胞密度以及高度的细胞异质性等。这些因素不仅影响背景信号的识别，还可能导致空间结构误判，阻碍对复杂病理的深入理解。

近日， C e ll Genomics 在线发表了 西安交通大学 叶凯 教授 团队题为 STMiner: Gene-centric spatial transcriptomics for deciphering tumor tissues 的 研究成果，开发出名为STMiner的空间组学算法，该算法将空间组学数据中离散采样点转化为空间上的连续分布，并基于最优传输理论准确识别了在组织中存在区域性特异表达的基因集，以及这些基因集的空间表达模式，可以实现对复杂疾病组织的空间组学数据进行高效，准确的分析。

相比于基于采样点进行计算的策略 ， STMiner另辟蹊径，采取了以基因为中心的计算策略，将每个基因的空间分布作为最基本的计算单元，通过最优传输计算基因和采样背景，基因和基因之间的空间表达差异。 通过与现有方法 在真实数据和模拟数据上 的大规模基准测试 表明 ，STMiner 从 疾病组织 的空间转录组数据 中识别 的空间变异基因 （spatial variable genes） 具有最强的空间特异性，并且假阳性率最低。

基于这种策略 ，STMiner从黑色素瘤的空间转录组数据中识别出了关键的基因集，并刻画了其空间表达模式，同时，STMiner识别出了肿瘤组织对周边正常组织的浸润区域。在肝癌样本中，STMiner通过 其度量基因空间分布相似性的能力， 鉴别出了不同肝癌样本在三级淋巴结构中特异性表达的基因集，并通过 这些基因集刻画了肝癌样本之间的异质性。

STMiner 的出现， 为分析复杂空间组学数据提供了一种新的思路，即将 基因 的 空间分布作为特征进行计算 。 该策略不仅可用于分析空间转录组学数据，同时也可以扩展到其他空间组学数据中，实现基于空间分布，在不同组学，不同模态间进行计算。

西安交通大学电信学部 博士研究生孙培森为该论文第一作者，叶凯教授为该论文通讯作者。

文章链接：https://www.cell.com/cell-genomics/fulltext/S2666-979X(25)00027-8

制版人：十一

BioArt

Med

Plants

人才招聘

会议资讯

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。