主要观点总结
清华生命学院研究团队开发了人工智能算法SPACE，用于空间转录组数据分析。该算法能够识别空间细胞亚型和发现组织模块，充分考虑细胞自身的基因表达信息以及其与空间邻近细胞的相互作用。SPACE通过两个独立的解码器重构细胞自身的基因表达谱和空间邻近图，并定义一个感知场比率α来调整基因表达谱重建损失与空间邻近图重构损失的相对权重。该工具可用于大规模的空间转录组研究，以了解空间邻近细胞之间的相互作用是如何影响细胞类型和组织模块生物学功能的。
关键观点总结
关键观点1: 空间转录组数据分析的核心任务是识别空间细胞亚型和发现组织模块。
近年来，随着空间转录组技术的发展，研究者能够在单细胞分辨率下获取细胞的基因表达谱，同时保留细胞在组织内的空间位置信息。然而，当前的空间转录组数据分析面临一些难题，如识别空间细胞亚型和发现组织模块时面临的挑战。
关键观点2: SPACE算法能够识别空间细胞亚型和发现组织模块。
SPACE使用图自编码器框架来学习低维的细胞嵌入，该嵌入描述了每个细胞自身的基因表达信息以及其与空间邻近细胞的相互作用信息。在此基础上，SPACE通过聚类算法识别空间细胞亚型和发现组织模块。
关键观点3: SPACE算法的主要特点
SPACE通过两个独立的解码器重构细胞自身的基因表达谱和空间邻近图，并定义一个感知场比率α来调整基因表达谱重建损失与空间邻近图重构损失的相对权重。这使得SPACE能够根据不同的研究需要，重点优化模型的识别能力。
关键观点4: SPACE算法的应用
SPACE算法在多个空间转录组数据集上的测试表明，其发现的细胞群落与人工标注的组织结构在空间分布特征上相似。这种细胞间的近端相互作用网络可以用于优化基于配体-受体的细胞通讯推断，从而改进对生物过程中细胞间信号传递与调控的解读。
文章预览
来源：清华生命学院 在多细胞生物体中，尽管所有细胞共享相同的基因组，但由于内部基因调控网络的差异以及与周围微环境中相邻细胞的外部信号交流，它们在形态、基因表达和功能上展现出显著的多样性。相邻的不同种类细胞之间再通过复杂的相互作用，形成一定功能的组织模块。 近年来，随着空间转录组技术的不断发展，研究者能够在单细胞分辨率下获得细胞的基因表达谱，同时保留细胞在组织内的空间位置信息。 因此，如何有效地利用这些空间位置信息来揭示复杂组织中细胞的空间排列模式和相关的生物学功能，即识别空间细胞亚型和发现组织模块，是空间转录组数据分析的核心任务。 目前空间转录组数据分析面临以下 两方面难题 ： 1）对于空间细胞类型的识别，许多研究仅使用细胞基因表达谱而忽视细胞的空间位置信息。然而，近
………………………………
