- 1次围观
基于测序的空间组学平台能够以可扩展且无偏的方式，对转录组、表观基因组及亚型分辨信号进行分析，但其空间分辨率仍然有限，因为每个捕获单元都会汇集来自多个细胞的分子信息。现有计算增强方法通过整合组织学信息，利用点位水平数据重建高分辨率空间基因表达；然而，大多数方法主要针对空间转录组学设计，且主要依赖组织学特征，缺乏恰当的验证策略，因而容易过拟合、产生虚假的空间模式，可靠性也有限。在此，我们提出 spEnhance，这是一种通用且可信的计算框架，用于对点位水平空间组学数据进行超分辨率增强。spEnhance 将组织学特征与互补的分子信息相结合，包括单细胞 RNA 测序参考数据和基因共表达结构，以重建高分辨率空间分子图谱。为支持仅基于单张组织切片的可靠模型选择，spEnhance 引入了一种计数拆分策略，可从点位水平测量数据中生成统计独立的训练集和验证集。spEnhance 还通过预测残差量化预测可靠性，为空间分辨的不确定性提供一种可解释的替代指标。对多种组织、平台和分子模态进行的全面基准评估表明，spEnhance 达到了当前最先进的准确度，能够恢复精细的组织结构、减轻过拟合，并提供校准良好的可靠性估计。除空间转录组学外，spEnhance 还可扩展至亚型水平、表观基因组、蛋白质组和代谢组空间组学。总而言之，spEnhance 建立了一个 一种模态通用且值得信赖的空间组学数据增强框架，能够更准确、可靠地研究空间分辨的分子调控。
基于测序的空间组学平台能够以可扩展且无偏的方式，对转录组、表观基因组及亚型分辨信号进行分析，但其空间分辨率仍然有限，因为每个捕获单元都会汇集来自多个细胞的分子信息。现有计算增强方法通过整合组织学信息，利用点位水平数据重建高分辨率空间基因表达；然而，大多数方法主要针对空间转录组学设计，且主要依赖组织学特征，缺乏恰当的验证策略，因而容易过拟合、产生虚假的空间模式，可靠性也有限。在此，我们提出 spEnhance，这是一种通用且可信的计算框架，用于对点位水平空间组学数据进行超分辨率增强。spEnhance 将组织学特征与互补的分子信息相结合，包括单细胞 RNA 测序参考数据和基因共表达结构，以重建高分辨率空间分子图谱。为支持仅基于单张组织切片的可靠模型选择，spEnhance 引入了一种计数拆分策略，可从点位水平测量数据中生成统计独立的训练集和验证集。spEnhance 还通过预测残差量化预测可靠性，为空间分辨的不确定性提供一种可解释的替代指标。对多种组织、平台和分子模态进行的全面基准评估表明，spEnhance 达到了当前最先进的准确度，能够恢复精细的组织结构、减轻过拟合，并提供校准良好的可靠性估计。除空间转录组学外，spEnhance 还可扩展至亚型水平、表观基因组、蛋白质组和代谢组空间组学。总而言之，spEnhance 建立了一个
一种跨模态通用且可信的框架，可用于提升空间组学数据的质量，从而更准确、可靠地研究空间分辨的分子调控。
作者声明不存在任何利益冲突。
感谢您有意传播 bioRxiv 的相关信息。
注意：要求提供您的电子邮箱地址，仅用于确认您是本文的发送者。
关键词：空间组学 · 超分辨率重建 · 多模态数据整合 · 不确定性评估 · 计算生物学
原文链接：https://www.biorxiv.org/content/10.64898/2026.09.25.754471v1?rss=1