利用 spHOT 在空间转录组学中进行表型相关空间生物标志物发现

空间转录组学如今已能够以单细胞分辨率对患者队列进行剖析，从而实现对原位疾病相关细胞组织模式的分析。然而，发现此类空间生物标志物仍然具有挑战性，因为相关结构往往出现在未知尺度上，且通常缺乏细胞层面或生态位层面的注释。 我们提出了 spHOT，这是一种基于深度学习的框架，能够从样本级标签中定位与表型相关的空间生物标志物。spHOT 结合了空间基础模型嵌入、用于多分辨率组织表征的层级领域树，以及一种教师-学生多示例学习架构，可将样本标签转换为细胞级生物标志物评分。 在受控模拟实验和真实组织基准测试中，spHOT 在定位真实生物标志物方面优于现有的空间组学和单细胞方法。在纤维化、代谢性和自身免疫性疾病数据集中，spHOT 成功恢复了原始研究中通过监督分析所报告的疾病相关生态位和组织状态。spHOT 在跨疾病应用中无需重新训练即可在慢性肺部疾病之间迁移生物标志物。 spHOT 为队列规模空间转录组学中的空间生物标志物发现提供了一种可扩展且注释高效的方法。

空间转录组学如今能够以单细胞分辨率对患者队列进行分析，从而实现对疾病相关细胞原位组织模式的研究。然而，这类空间生物标志物的发现仍然具有挑战性，因为相关结构往往出现在未知尺度上，且细胞层面或微环境层面的注释通常难以获得。

我们提出了 spHOT，这是一种利用样本级标签定位表型相关空间生物标志物的深度学习框架。spHOT 结合了空间基础模型嵌入、用于多分辨率组织表征的层级域树，以及一种教师—学生多实例学习架构，可将样本标签转换为细胞级生物标志物评分。

在可控模拟实验和真实组织基准测试中，spHOT 在定位真实生物标志物方面优于现有的空间转录组和单细胞方法。在纤维化、代谢性疾病和自身免疫性疾病数据集中，spHOT 成功识别出原始研究中通过监督分析报道的疾病相关微环境和组织状态。spHOT 在疾病间的应用表明，无需重新训练即可在慢性肺疾病之间迁移生物标志物。spHOT 实现了可扩展且注释需求低的队列规模空间转录组学空间生物标志物发现。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.11.744312v1?rss=1

🏷️ 空间转录组学 空间生物标志物 深度学习 多示例学习 表型关联分析 单细胞分辨率