主要观点总结
文章介绍了清华大学成像与智能技术实验室和北京航空航天大学人工智能学院的研究团队合作开发的名为“soScope”的统一生成式模型，该模型可提高从各种空间技术获得的分子图谱数据质量和空间分辨率。通过整合组学、空间关系与图像的多模态组织信息，soScope能够推断出分辨率增强的组学图谱，并在多个空间组学平台上表现出卓越的性能。
关键观点总结
关键观点1: soScope技术介绍
soScope是一个完全生成式模型，可对来自不同空间组学技术的点级剖面生成过程进行建模，提高其空间分辨率和数据质量。它将每个spot（点）视为空间分辨率增强的“subspots（子点）”的集合，利用多模态深度学习框架整合组学剖面、空间关系和高分辨率形态图像。
关键观点2: soScope的优越性能
研究团队通过多种实验评估了soScope的性能，包括使用不同空间组学类型（转录本、表观遗传学、DNA和蛋白质）的数据集。结果显示，soScope能够降低数据噪声、增强空间分辨率，更精细地表征组织结构。此外，soScope还扩展到了新兴的空间多组学技术，整合多模态、多组学组织图谱并同时提高其分辨率。
关键观点3: soScope的应用
除了传统转录组学，soScope还可以灵活地扩展到不同组学类型中。研究团队将soScope应用于空间染色质可及性数据集和小鼠胚胎的心脏区域，结果显示soScope能够揭示详细的组织结构并准确识别表达区域。
关键观点4: multi-soScope的应用
为了处理空间多组学数据，研究团队对soScope进行了改进，推出了multi-soScope。它能够整合多组学图谱，补偿质量较低的组学数据，并联合提高多组学的分辨率。这一工具在人体皮肤组织的spatial-CITE-seq数据集和spatial ATAC-RNA-seq数据集中表现出了卓越的效果。
文章预览
导读 近年来，空间组学技术的重大进步使得各种分子的空间分析成为可能，包括转录本（Visium、seqFISH等）、蛋白质（spatial-CITE-seq）、表观遗传标记（spatial ATAC-seq、spatial-CUT 等）和基因组变异（slide-DNA-seq和 DNA-seqFISH)，为不同生物学领域提供了宝贵见解。 但仍有两个挑战限制了空间组学技术的应用：一是组织样本经冷冻或福尔马林固定、石蜡包埋（FFPE）处理可能会影响分子状态，从而导致测序准确性降低；二是大多数空间技术在组织点分辨率下进行分析，忽略了异质性，导致组织结构的空间分辨率有限。目前开发的可提高空间分辨率的计算方法主要针对转录组学数据，缺乏与其他新兴空间组学技术的适应性。 近日，清华大学成像与智能技术实验室 戴琼海 院士团队与北京航空航天大学人工智能学院 邓岳 教授团队合作在 Nature Communications 上发表了
………………………………
