空间转录组学中的递归几何人工智能学习

空间转录组学的跨域分析具有挑战性，因为来自不同器官、疾病和实验平台的组织表现出不同的细胞组成、空间组织和技术偏倚，这使得对组织状态进行直接比较变得困难。现有方法主要聚焦于域整合或批次校正，但通常并未显式建模生物系统间组织状态组织所依赖的内在几何结构。本文提出了复现几何人工智能（RGAI），这是一种用于在异质性空间转录组域之间发现并对齐潜在组织状态的几何深度学习框架。RGAI首先利用变分图自动编码器学习域特异性的潜在表示，同时估计一个黎曼度量张量，以捕捉每个潜在流形的局部几何。由所学习度量诱导的测地距离被用于构建多尺度复现图，从而独立于原始测量空间表征组织状态组织的内在结构。随后，通过熵正则化的Gromov--Wasserstein对齐建立跨域流形对应关系，在此基础上，模糊聚类识别潜在组织状态，而最优传输则用于在不同域之间对齐组织状态特征。 在涵盖伤口愈合、牙周炎、口腔鳞状细胞癌、头颈部鳞状细胞癌、心脏组织和结直肠癌的六个人类空间转录组数据集上的评估表明，RGAI能够自动确定具有生物学意义的潜在组织状态复杂性，并在每个域内识别出连贯的、基于复现分析的组织状态。所学习的几何表示能够实现潜在流形的跨域对齐，同时在细胞组成和组织结构存在显著差异的情况下，仍然保留具有生物学可解释性的组织状态对应关系。这表明，将所学习的黎曼几何、复现分析和最优传输相结合，为空间转录组学中的跨域组织状态发现与比较提供了一个稳健且可解释的框架。

空间转录组学的跨域分析具有挑战性，因为来自不同器官、疾病和实验平台的组织表现出不同的细胞组成、空间组织结构和技术偏差，这使得组织状态的直接比较变得困难。现有方法主要聚焦于域整合或批次校正，但通常并未显式建模支撑不同生物系统中组织状态组织形式的内在几何结构。本文提出复现几何人工智能（RGAI），这是一种用于在异质空间转录组域之间发现并对齐潜在组织状态的几何深度学习框架。RGAI首先利用变分图自编码器学习域特异性的潜在表征，同时估计一个黎曼度量张量，以捕捉每个潜在流形的局部几何结构。由所学习度量诱导的测地距离被用于构建多尺度复现图，从而独立于原始测量空间表征组织状态组织的内在结构。随后，通过熵正则化的Gromov--Wasserstein对齐建立跨域流形对应关系，在此基础上，模糊聚类用于识别潜在组织状态，而最优传输则用于在不同域之间对齐组织状态特征。对六个人类空间转录组数据集的评估——涵盖伤口愈合、牙周炎、口腔鳞状细胞癌、头颈部鳞状细胞癌、心脏组织和结直肠癌——表明，RGAI能够自动确定具有生物学意义的潜在组织状态复杂性，并在每个域内识别出连贯的、基于复现的组织状态。所学习到的几何表征能够实现潜在流形的跨域对齐，同时在细胞组成和组织结构存在显著差异的情况下，仍保留具有生物学可解释性的组织状态对应关系。这表明，将学习得到的黎曼几何、复现分析和最优传输加以整合，为空间转录组学中的跨域组织状态发现与比较提供了一个稳健且可解释的框架。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.02.742287v1?rss=1

🏷️ 空间转录组学 几何深度学习 跨域对齐 最优传输 组织状态识别