模型构建与输入准备
建立向量引导的轻量级图模型框架，并准备低维特征输入。
对每个切片，基于空间坐标计算高斯距离权重矩阵A和基于方向与角度的梯度权重矩阵B；使用DPCA将基因表达投影到共享低维空间作为输入。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
向量引导的图学习用于空间多切片多组学对齐
Vector-guided graph learning for spatial multi-slice multi-omics alignment.
实验完整度
中基于多种公共空间转录组数据集进行计算基准测试和消融分析，但无湿实验功能验证或机制验证
主要模型
人DLPFC Visium切片 小鼠胚胎seqFISH与Stereo-seq切片 人乳腺肿瘤Visium切片BAS1和BAS2
重点核对
多切片对齐在四个SRT平台上的ARI、NMI和准确率 跨技术对齐的中位余弦相似度 跨组学标签转移准确性（以Sox1ot和Dnm3os为标志基因） 肿瘤切片中空间域与组织学注释的ARI和NMI 消融实验比较stLVG_A、stLVG_B及联合模型
摘要
Lou等人提出stLVG，一种用于空间多切片和多组学数据整合的轻量级向量引导图模型。stLVG整合基于距离和角度的权重以捕捉空间几何结构，能够在多种空间转录组数据集中实现稳健对齐、跨组学标签转移和肿瘤边界区域识别。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何整合空间多切片多组学数据，实现跨切片、跨技术和跨组学的细胞状态对齐、标签转移和空间生态位识别。
- 核心机制
- stLVG通过高斯距离权重和基于方向与角度的梯度权重分别聚合邻居信息，并采用图对抗学习对齐切片，再通过多视角对比学习整合两种嵌入。
- 主要证据
- 在Visium、MERFISH、STARmap和BaristaSeq数据集上，stLVG的ARI、NMI和准确率优于或媲美SLAT和BANKSY；跨技术对齐中位余弦相似度达0.95；跨组学标签转移与标志基因一致性高；在乳腺肿瘤切片中识别出被其他方法遗漏的肿瘤边界区域。
- 研究意义
- stLVG为空间多切片多组学数据提供了一种轻量级、可扩展的对齐和生态位识别工具，可在标准笔记本电脑上几分钟内运行，适用于大规模空间组学分析。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
图对抗学习对齐切片
将不同切片映射到共享特征空间，消除切片间批次效应。
使用两个轻量级图编码器分别聚合A和B权重下的邻居信息，生成嵌入ZAp和ZBp；通过Wasserstein判别器进行对抗训练，并引入重构损失防止嵌入坍缩。
多视角对比学习整合嵌入
整合来自距离视角和方向-角度视角的嵌入，形成统一细胞表示。
对每个切片，将ZAp和ZBp通过线性变换后，以空间K近邻为正样本对、非邻居为负样本对，计算对比损失，最终拼接得到Zp。
下游分析：标签转移与空间域识别
评估模型在跨切片、跨技术、跨组学对齐和空间域识别中的性能。
使用Leiden算法对学习到的嵌入进行聚类，通过UMAP可视化；将参考切片的标签转移到查询切片；在多个数据集上与SLAT和BANKSY比较ARI、NMI、准确率、cLISI和iLISI。
跨组学标签转移验证
验证stLVG在RNA-seq和空间ATAC-seq之间的标签转移能力。
使用ArchR处理ATAC-seq数据生成基因活性分数，与RNA-seq数据对齐；以Sox1ot（脑）和Dnm3os（结缔组织）为标志基因，用二成分高斯混合模型分类ATAC水平，评估标签转移准确性。
肿瘤边界区域识别
展示stLVG在异质性肿瘤组织中识别空间域和肿瘤边界的能力。
对两个Luminal B型乳腺癌Visium切片BAS1和BAS2进行空间域识别，与组织学注释比较ARI和NMI；分析聚类12（免疫基因富集）和聚类5（上皮标志物高表达）的空间分布。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 模型构建与输入准备 | 高斯核参数μ=0，σ=1；方向旋转缩放因子m=1；传播步数S=1；DPCA特征维度M；K近邻数量K 阅读提示：STAR Methods中stLVG model小节及公式1-3 |
| 图对抗学习对齐切片 | 动态裁剪比例c；损失平衡超参数ζ；Wasserstein判别器结构 阅读提示：STAR Methods中Cross-slice alignment by graph adversarial learning小节 |
| 多视角对比学习整合嵌入 | 温度参数τ；正负样本对定义（K近邻）；线性变换函数f1和f2 阅读提示：STAR Methods中Learning cell representations through multi-view contrastive learning module小节 |
| 聚类与可视化 | Leiden聚类分辨率参数；UMAP可视化参数 阅读提示：STAR Methods中Clustering and visualization小节 |
| 跨组学标签转移验证 | ArchR处理ATAC-seq数据的参数；高斯混合模型阈值（后验概率0.999） 阅读提示：Results中stLVG enables cross-omics label transfer小节及Figure 4 |
| 肿瘤边界区域识别 | Leiden聚类参数；组织学注释分类；标志基因列表 阅读提示：Results中stLVG identifies tumor niches missed by competing methods小节及Figure 5 |