在细胞空间分辨率下揭示复杂的细胞类型组成和基因表达模式对于理解大脑中复杂的细胞功能至关重要。
2025年1月28日，浙江大学李晓明团队在National Science Review（IF=16.3）在线发表题为“DSCT: A novel deep learning framework for rapid and accurate spatial transcriptomic cell typing”的研究论文，该研究开发了基于深度神经网络的空间细胞分型(DSCT)，这是一种在空间转录组数据集中进行空间细胞分型的创新框架。
这种方法利用增强的基因选择策略和轻量级深度神经网络的协同整合进行数据训练，为空间转录数据的分析提供了更快速和准确的解决方案。基于全面的分析，DSCT在跨不同脑区、物种和空间转录组平台的细胞类型识别中取得了非凡的准确性。它还在绘制更精细的细胞类型方面表现良好，从而展示了它在不同数据集上的多功能性和适应性。引人注目的是，DSCT展示了高效率和非凡的处理速度，而计算资源需求更少。因此，这种新方法为探索细胞类型和基因表达模式的空间组织开辟了新的途径，促进了我们对神经系统内生物功能和病理学的理解。
复杂生物组织中的细胞组成、空间组织和基因表达谱是理解其生物功能和病理状态的基础。空间转录组技术的最新进展揭示了以单细胞甚至亚细胞分辨率绘制跨组织全基因组基因表达模式的潜力。尽管现有技术具有变革潜力，但每种技术都只能解决潜在挑战的某些方面，在范围和解决方案方面存在固有的局限性。大脑是一个异常复杂的器官，其特点是不同区域的细胞类型差异很大。理解负责复杂行为和神经疾病的神经回路和机制的主要挑战之一是缺乏细胞类型组成和基因表达数据的详细空间分辨率。为了解决这个问题，研究人员专注于将一种新的算法应用于脑组织，旨在以更高的精度揭示细胞的异质性，并对肿瘤样本进行了初步测试，以评估该算法对其他复杂组织类型的更广泛的适用性。随着空间组学数据持续快速膨胀，当前方法的计算需求和时间密集性对其实际应用构成了重大障碍。虽然已经提出了多种绘制空间转录组数据的方法，但是还没有一种方法能够实现跨多个物种和平台的精细细胞类型作图。基于深度神经网络的空间细胞分型(DSCT)工作流程（图源自National Science Review）在这项研究中，研究人员评估了DSCT在来自不同区域、物种和空间转录平台的脑切片中的功效。结果表明，DSCT在准确性方面优于其他计算集成方法，产生了不同脑组织的细粒度细胞图。此外，DSCT展示了非凡的处理速度和所需的最低内存资源，使传统上需要高性能计算资源的任务能够在标准台式计算机上完成。这一进步代表了一种整合单细胞多组学数据的稳健、高效和通用的方法，在不同的应用中提供了简单性、速度和准确性。
参考消息：
https://academic.oup.com/nsr/advance-article/doi/10.1093/nsr/nwaf030/7985765?searchresult=1
—END—
内容为【iNature】公众号原创，
转载请写明来源于【iNature】
微信加群
iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群（16个PI群及64个博士群），同时更具专业专门组建了相关专业群（植物，免疫，细胞，微生物，基因编辑，神经，化学，物理，心血管，肿瘤等群）。温馨提示：进群请备注一下（格式如学校+专业+姓名，如果是PI/教授，请注明是PI/教授，否则就直接默认为在读博士，谢谢）。可以先加小编微信号（love_iNature），或者是长按二维码，添加小编，之后再进相关的群，非诚勿扰。
投稿、合作、转载授权事宜
请联系微信ID：13701829856 或邮箱：iNature2020@163.com
觉得本文好看，请点这里！
