利用神经转录组场实现空间组学数据的超高效高分辨率三维重建

生物组织本质上是三维（3D）生态系统，其中空间结构决定细胞功能。尽管空间组学技术已经彻底革新了分子谱系分析，但其在很大程度上仍局限于孤立的二维（2D）组织切片。现有试图从稀疏切片重建三维体积的计算方法，严重依赖局部切片间插值，难以在高保真重建、噪声降低与图谱尺度效率之间取得平衡。 在此，我们提出神经转录组场（Neural Transcriptomic Field, NTF），这是一种采用多分辨率哈希网格编码与隐式神经表示的深度学习框架。不同于仅在相邻观测之间进行连接的插值方法，NTF学习组织的全局、连续三维表示。通过对潜在生物学模式进行建模，NTF能够从根本上将真实分子信号与技术伪影解耦，从而自然实现稳健去噪与高保真重建。这一全局场范式打破了传统的可扩展性限制：与现有方法相比，NTF最高可实现1,000倍加速，并可在15分钟内完成对一个1亿细胞尺度的三维小鼠全胚胎图谱的重建。此外，NTF还能够从稀疏输入中生成超分辨率体积数据（例如仅使用10%的切片），并稳健地外推至未观测的组织区域。 我们在多种转录组学与蛋白质组学数据集上展示了NTF的广泛适用性，包括捕捉果蝇和小鼠胚胎发生过程中复杂的时空动态，以及绘制人类乳腺癌肿瘤内部的功能梯度。最终，NTF为构建下一代全面三维组织图谱提供了前所未有的快速、可扩展且稳健的计算引擎。

生物组织本质上是三维（3D）生态系统，其中空间结构决定细胞功能。尽管空间组学技术已经革新了分子特征分析，但其在很大程度上仍局限于孤立的二维（2D）组织切片。现有计算方法试图从稀疏切片重建三维体积，但高度依赖局部切片间插值，难以在高保真重建、噪声消除和图谱尺度效率之间取得平衡。

在此，我们提出神经转录组场（Neural Transcriptomic Field, NTF），这是一种采用多分辨率哈希网格编码和隐式神经表征的深度学习框架。不同于仅在相邻观测之间进行衔接的基于插值的方法，NTF 学习的是组织的全局、连续三维表征。通过对底层潜在生物学模式进行建模，NTF 能够从本质上将真实分子信号与技术伪影解耦，从而自然实现稳健去噪和高保真重建。这种全局场范式打破了传统的可扩展性限制：与现有方法相比，NTF 可实现高达 1,000 倍的速度提升，尤其能够在 15 分钟内完成对 1 亿细胞尺度的小鼠全胚胎三维图谱的重建。此外，NTF 还能从稀疏输入生成超分辨率体积（例如仅利用 10% 的切片），并稳健地外推至未观测的组织区域。

我们在多种转录组和蛋白质组数据集上展示了 NTF 的通用性，其能够捕捉果蝇和小鼠胚胎发生过程中的复杂时空动态，并描绘人类乳腺癌肿瘤内部的功能梯度。最终，NTF 为构建下一代全面三维组织图谱提供了前所未有的快速、可扩展且稳健的计算引擎。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.28.726140v1?rss=1

🏷️ 空间组学 三维重建 隐式神经表示 转录组学 超分辨率 深度学习