CUBE：多模态表征学习揭示组织形态学、空间蛋白表型与转录组相关信号中的生物学结构

将组织学、空间蛋白质组学和转录组学信息整合为具有生物学依据的表征仍然具有挑战性，因为这些模态通常难以获得完全配对的测量数据，而现有计算方法也通常围绕单一模态对进行开发。为此，我们提出 CUBE（Colorectal Universal Representation & Bridge Encoder，结直肠通用表征与桥接编码器），这是一种多模态表征学习框架，以苏木精-伊红（H&E）组织学为桥梁，利用不完全配对的数据，将空间蛋白质表型与转录组相关信息进行整合。CUBE 分别从 H&E-多重免疫组织化学（mIHC）关系和 H&E-伪空间转录组（pseudo-ST）关系中学习表征，并通过基于注意力的融合机制，结合源自 mIHC 的概念所提供的生物学约束进行整合。H&E-mIHC 表征支持了具有竞争力的空间蛋白质重建；而由伪 ST 监督学习得到的表征能够迁移至实验测量的 Visium HD 空间转录组数据，并且在冻结编码器后仅对解码器进行校准时得到进一步提升。重要的是，融合后的表征保留了超出其直接训练目标之外的生物学信息，能够捕获免疫细胞-上皮细胞的空间组织以及一种独立测量的细胞外基质（ECM）-受体相互作用转录组程序。综上，这些研究结果表明，可以通过组织学将分别配对的空间模态组织为具有生物学结构且可检验的多模态表征，从而为无需完全配对分子测量的多模态组织学习提供一种概念验证策略。

将组织学、空间蛋白质组学和转录组学信息整合为具有生物学依据的表征仍面临挑战，因为这些模态很少能够以完全配对的测量形式获得，而现有计算方法通常围绕单一模态对开发。为应对这一问题，我们提出了 CUBE（Colorectal Universal Representation & Bridge Encoder，结直肠通用表征与桥接编码器），一种多模态表征学习框架。该框架以苏木精-伊红（H&E）组织学为桥梁，从不完全配对的数据中整合空间蛋白质表型与转录组相关信息。CUBE 分别从 H&E-多重免疫组织化学（mIHC）关系和 H&E-伪空间转录组（pseudo-ST）关系中学习表征，并通过基于注意力机制的融合，将源自 mIHC 的概念所提供的生物学依据纳入其中。H&E-mIHC 表征支持具有竞争力的空间蛋白质重建；而经伪 ST 监督学习得到的表征能够迁移至实验测量的 Visium HD 空间转录组数据，并且在冻结编码器后仅对解码器进行校准，性能得到进一步提升。重要的是，融合表征保留了超出其直接训练目标之外的生物学信息，能够捕捉免疫细胞—上皮细胞的空间组织模式，以及独立测量得到的细胞外基质（ECM）-受体相互作用转录组程序。综上，这些研究结果表明，可以通过组织学将分别配对的空间模态组织为具有生物学结构且可检验的多模态表征，从而为无需完全配对分子测量的多模态组织学习提供一种概念验证策略。

感谢您有兴趣传播 bioRxiv 的相关信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.14.751379v1?rss=1

🏷️ 多模态表征学习 空间组学整合 组织形态学 空间蛋白质组学 空间转录组学 计算病理学