数据预处理与空间邻接图构建
准备输入数据并构建空间邻接关系
使用SCANPY过滤基因和细胞（min_genes=20, min_cells=20），归一化和对数转换；基于空间坐标构建k近邻图（k=15）。
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
spatiAlign：一种用于空间分辨转录组学数据整合的无监督对比学习模型
spatiAlign: an unsupervised contrastive learning model for data integration of spatially resolved transcriptomics.
实验完整度
中为计算方法研究，使用多个公开SRT数据集进行基准测试，包含多个应用案例验证性能
主要模型
人类背外侧前额叶皮层（DLPFC）10x Genomics Visium数据集 小鼠嗅球Stereo-seq和10x Genomics Visium数据集 小鼠海马Slide-seq切片 小鼠胚胎脑Stereo-seq时间序列数据集
重点核对
在DLPFC数据集上，使用ARI和LISI加权F1分数评估整合性能，spatiAlign获得最高ARI（均值0.5967）和最高LISI加权F1（0.8402） 在嗅球数据集上，spatiAlign的LISI加权F1为0.7935，优于PRECAST（0.6863）和SCALEX（0.6099） 在海马数据集上，spatiAlign的iLISI为0.6230，仅次于SCALEX，但能更好地保留生物学差异 在胚胎脑时间序列数据上，spatiAlign校正后的表达矩阵用于DEG分析和轨迹推断，结果与已知发育事件一致
摘要
背景：空间分辨转录组学数据集的整合分析有助于更深入地理解复杂生物系统。然而，整合多个组织切片在批次效应去除方面存在挑战，尤其是当这些切片由不同技术测量或在不同时间收集时。发现：我们提出spatiAlign，一种无监督对比学习模型，利用所有测量基因的表达和细胞的空间位置来整合多个组织切片。它使得多个数据集的联合下游分析不仅可以在低维嵌入中进行，还可以在重建的全表达空间中进行。结论：在基准分析中，spatiAlign在学习组织切片的联合和判别性表示方面优于最先进的方法，每个切片可能具有复杂的批次效应或不同的生物学特征。此外，我们展示了spatiAlign在时间序列脑切片整合分析中的优势，包括空间聚类、差异表达分析，特别是需要校正基因表达矩阵的轨迹推断。
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
- 如何整合多个空间分辨转录组数据集，以去除批次效应并保留生物学变异，同时支持基因水平的下游分析？
- 核心机制
- spatiAlign采用基于DGI的自监督对比学习框架，结合空间邻接图和域适应策略，对齐不同切片的低维表示，并通过对称解码器重建全基因表达矩阵。
- 主要证据
- 在多个公开数据集（DLPFC、嗅球、海马、胚胎脑）上的基准测试表明，spatiAlign在整合性能指标（ARI、LISI）上优于其他方法，并能改善空间聚类、差异表达分析和轨迹推断。
- 研究意义
- spatiAlign为空间转录组数据整合提供了有效工具，能够校正批次效应并保留生物学变异，促进联合下游分析，如空间聚类、差异表达和轨迹推断。
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。
基于DGI的特征提取与空间嵌入
学习低维基因表示并传播空间邻域上下文
使用DNN自编码器降维，VGAE传播空间信息，生成联合表示S；通过随机扰动生成负样本S'。
自监督对比学习与域适应对齐
增强表示判别性并跨批次对齐生物学效应
采用自监督对比学习、批内实例级对比学习、伪聚类级对比学习和跨批实例自监督学习，使用记忆库存储表示。
基因表达重建与下游分析
重建校正后的表达矩阵并用于聚类、差异表达和轨迹推断
通过对称解码器重建表达矩阵；使用Leiden聚类、PAGA、CellRank等方法进行下游分析。
基准测试与性能评估
比较spatiAlign与现有方法的整合性能
在多个数据集上运行spatiAlign和8种对照方法，计算ARI、LISI等指标。
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
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析 | SCANPY | -- | version 1.9.1 |
| ClusterProfiler | -- | v4.8.1 | |
| ESDA | -- | 2.4.3 | |
| scikit-learn | -- | -- |
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 |
|---|---|
| 数据预处理 | min_genes=20, min_cells=20；归一化和log转换方法 阅读提示：Methods: Data preprocessing |
| 空间邻接图构建 | 近邻数k=15；欧氏距离度量 阅读提示：Methods: Spatial neighbor graph construction |
| 模型训练 | 损失函数权重α,β,λ；记忆库动量m；温度参数τ；伪聚类数d 阅读提示：Methods: 训练部分及公式 |
| 基准测试 | 对照方法列表及参数；评估指标（ARI, LISI） 阅读提示：Methods: Comparisons of methods; Evaluation metrics |
| 下游分析 | 聚类分辨率；DEG分析阈值（adj P<0.05）；轨迹推断参数 阅读提示：Methods: Differential expression analysis and GO enrichment analysis; Trajectory inference analysis |