生物信息学
空间转录组学（ST）技术的进展使得对肿瘤微环境、肿瘤梯度以及基因调控网络进行系统性的分子表征成为可能。已知癌症进展会沿病理梯度发生变化，然而，现有用于基因网络推断的网络方法通常忽略了肿瘤内部跨层级的空间组织结构。我们开发了一种贝叶斯多分辨率空间图回归（\texttt{mSGR}）框架，用于从多分辨率ST数据中推断空间变化的基因网络。所提出的模型允许精度矩阵在具有层级结构的空间域之间发生变化，从而捕捉肿瘤内部的局部与全局组织特征。
为识别空间变化的调控关系，我们引入了一种具有空间结构的边选择策略，该策略根据空间邻近性和病理梯度在不同区域之间借力，同时利用高斯过程先验灵活建模边强度的空间变异。通过一种增强的均值场变分贝叶斯算法并结合节点级并行回归，实现了可扩展推断，从而能够在高维情形下进行高效估计。模拟研究表明，与竞争方法相比，该方法在网络结构恢复方面表现更优。
将\texttt{mSGR}应用于肾癌的多分辨率ST数据表明，在上皮—间质转化通路的过渡区域中存在更强的调控连通性，并识别出沿肿瘤梯度分布的枢纽基因，展示了空间分辨网络分析如何为肿瘤微环境组织提供关键见解。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.12.724724v1?rss=1
🏷️ 空间转录组 贝叶斯建模 基因调控网络 肿瘤微环境 变分推断 多分辨率分析