Adv Sci | 汪源源/郭翌/王冠琳开发基于自监督深度学习的空间转录组学无参考解卷积方法

空间转录组技术可提供具有空间分辨率的基因表达谱，为组织生物学的研究提供了新范式。然而，现有的spot级空间转录组技术会将来自多个细胞的信号混合在一起，阻碍了细胞层面的精确分析及组织微环境的深入探索。现有基于单细胞参考数据集的解卷积方法高度依赖匹配的单细胞参考数据集，而这类参考集通常难以获取。

为解决上述问题，复旦大学生物医学工程与技术创新学院联合复旦大学代谢与整合生物学研究院研发了一种在无单细胞数据集参考下进行空间转录组数据解卷积的深度学习方法SURF。该工作目前已在线发表于Advanced Science。论文题为：SURF: a self-supervised deep learning method for reference-free deconvolution in spatial transcriptomics。

对于高维空间转录组数据，该方法采用自编码器架构建模非线性基因相互作用，从而提取有效的潜在表征。与此同时，通过对比学习融合不同spot之间的关系，将空间信息与生物学先验知识纳入模型之中。SURF 是首个面向空间转录组学无参考解卷积的自监督深度学习工具，为解决这一难题提出了全新的算法框架。论文在不同分辨率 (10µm, 55µm, 100µm)、不同物种（小鼠与人类）、不同空间模式（层状结构、块状结构、背景结构）以及不同疾病状态（正常与患病）的生物数据中进行了实验，证明SURF在多种生物样本下相比已有的方法都展现出强大可靠的解卷积能力。在小鼠嗅球数据集中，SURF 精确解析了精细的头侧迁移流结构；在小鼠精子发生数据集中，SURF成功捕获了曲细精管结构；在人类背外侧前额皮层数据集中，SURF 清晰展示了脑部的多层结构；在结直肠癌肝转移数据集中，SURF 成功识别出肿瘤区域内的三种上皮-间质转化状态。SURF实现了空间转录组数据的高效解卷积，为组织空间结构分析提供了更高分辨率的视角，进一步推进了生物机制的深入研究。