品牌时光机-品牌案例《Cell Genomics｜完整的空间基因表达对于识别空间域不是必需的》

摘要：识别空间域所并非需要完整的基因表达计数，这为利用简化的空间数据在空间组学应用中开辟了新的可能性。

空间分辨转录组学（SRT）技术的进步显著推动了人们对组织结构的理解。通过空间聚类技术分析SRT数据，研究者能够识别出组织中的不同空间结构域，从而从以细胞为中心转移到更高层次的以组织结构为中心的生理学视角。

除了大多数空间聚类方法常使用的SRT数据的两个主要模态（基因表达和空间坐标），很多新的方法的趋势包括整合更多的信息来识别空间域，像整合补充图像（如免疫组织化学图像、H&E图像、染色质图像等）、人类注释、配对scRNA-seq数据或其他空间组学数据。在这种情况下，存在一个值得深思的问题，是否可以用更少的信息来准确地识别空间域。

近日，复旦大学类脑智能科学与技术研究院原致远联合中国科学院计算技术研究所赵屹团队在Cell Genomics杂志在线发表题为Complete spatially resolved gene expression is not necessary for identifying spatial domains的研究文章。研究人员介绍了一种名为BINARY的深度学习方法，该方法通过使用二值化的空间转录组学数据来准确识别组织内的空间域。他们的研究表明，识别空间域所并非需要完整的基因表达计数，这为利用简化的空间数据在空间组学应用中开辟了新的可能性。

该研究团队首先设计了一种完全依赖于二进制化空间分辨转录组学数据，结合了图注意力机制网络和正项强调机制的空间聚类方法BINARY来描绘空间域。在广泛的基准测试中，BINARY优于当前最先进的基于完整空间解析基因表达的聚类方法。从基于下一代测序到基于成像的技术，BINARY在mRNA捕获率和基因通量之间的权衡比其他方法更有效。

在大型MERSCOPE大脑数据的多切片联合分析中，只有BINARY可以在不超过内存限制的情况下，准确识别已知的大脑结构，并确保在切片之间自动对齐标签。

随后，这项研究还探索了BINARY在其他空间组学应用（如识别空间变异基因和揭示梯度特征）和空间组学数据扩展（如空间蛋白质组学）中的潜在用途。这些研究结果表明，空间分辨转录组学数据的计数形式可能包含比空间域识别任务所需更多的信息，这一发现可能会重塑空间转录组学应用和其他空间组学领域的计算任务。