生物信息学
通过从多细胞空间测量中解析细胞类型组成，解卷积成为解析复杂组织细胞图谱的核心。现有解卷积方法拟合连续表达值，因此对单细胞参考与空间数据之间的批次效应较为敏感，并且需要针对每一种新情境重新训练。本文提出 SpaRank，这是一种具备情境感知能力的框架，通过将空间点表示为排序特征序列来执行空间解卷积。该方法借鉴了单细胞基础模型中的基于排序的编码方式，这种表述形式天然对技术变异具有鲁棒性，从而实现了预训练—迁移范式。
在模拟基准测试中，SpaRank 展现出较强的解卷积准确性、对表达扰动的鲁棒性以及显著的计算效率。在实验数据集中，预训练模型可跨越多样的生物学情境实现泛化：一个在多器官淋巴图谱上预训练的模型能够在不同组织和测序平台中准确解析细胞类型分布；同样，一个在整合乳腺图谱上预训练的模型能够刻画正常与恶性疾病状态下的细胞类型组成。此外，该框架还可通过采用门控融合来自然扩展至多模态空间解卷积，以自适应整合多样化组学信号，相较于单模态方法进一步提升准确性。
总体而言，SpaRank 建立了一种可迁移的解卷积范式，使统一的细胞图谱能够支持跨多种生物学状态和分析模态的直接、具备情境感知能力的推断。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.09.723936v1?rss=1
🏷️ 空间组学 解卷积 单细胞参考 预训练迁移 多模态整合