GatorPrism：基于原型条件的联盟图专家路由用于空间多组学整合

空间多组学整合需要在跨组学共识与模态特异性信号之间取得平衡，而这些信号的重要性会随组织空间位置而变化。我们提出了 GatorPrism，这是一种自监督的联盟图混合专家框架，能够显式分离跨组学共识与模态特异性结构，并在不同组织位置自适应地整合它们的贡献。联合专家对基于交集的共识图进行编码，而模态私有专家则捕获混合的空间—分子结构；以原型为条件的路由器为每个 spot 分配特异性的联盟权重。GatorPrism 采用端到端训练，以保留共享和模态特异性的邻域结构、对齐共配准模态、维持空间连贯性，并防止路由坍塌。在八个空间多组学数据集上，针对九种聚类评价指标，GatorPrism 相比九种竞争方法均取得了强劲表现。在人类扁桃体数据中，推断得到的结构域得到了协调一致的 RNA 和 ADT 标志物以及不同功能程序的支持。在胚胎小鼠脑中，路由谱揭示了在解剖学上局部化的共享状态、RNA 私有状态和 ATAC 私有状态，并得到了转录组、染色质可及性和基序证据的支持。这些结果表明，GatorPrism 是一个准确且具有可解释性的框架，能够揭示共享与模态特异性分子信号如何组织组织结构。源代码可见于 https://github.com/Gator-Group/GatorPrism。

空间多组学整合需要在跨组学共识与模态特异性信号之间取得平衡，而这些信号的重要性会随组织空间位置而变化。我们提出了 GatorPrism，这是一种自监督的联盟图混合专家框架，能够显式分离跨组学共识与模态特异性结构，并在不同组织位置自适应地整合它们的贡献。联合专家对基于交集的共识图进行编码，而模态私有专家则捕获混合的空间-分子结构；以原型为条件的路由器为每个 spot 分配特异性的联盟权重。GatorPrism 通过端到端训练，以保留共享邻域和模态特异性邻域、对齐共配准模态、维持空间一致性，并防止路由坍塌。在八个空间多组学数据集上，GatorPrism 在九项聚类评价指标中相较于九种竞争方法取得了优异表现。在人类扁桃体中，推断得到的结构域得到了相一致的 RNA 和 ADT 标志物以及不同功能程序的支持。在胚胎小鼠脑中，路由谱揭示了在解剖学上局部化的共享状态、RNA 私有状态和 ATAC 私有状态，这些状态得到了转录组、染色质可及性和基序证据的支持。这些结果确立了 GatorPrism 作为一种准确且可解释的框架，能够揭示共享与模态特异性的分子信号如何组织组织结构。源代码可获取于 https://github.com/Gator-Group/GatorPrism。

作者声明不存在利益竞争。

感谢您有兴趣帮助传播 bioRxiv 的相关信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.21.739865v1?rss=1

🏷️ 空间多组学 数据整合 图神经网络 混合专家模型 空间转录组学 自监督学习