空间转录组技术能够对基因表达模式进行高分辨率表征，并在组织背景下重建细胞结构。针对这类数据的分析，已出现两个关键的计算问题：空间解卷积，用于解析空间位置上的细胞类型组成；以及空间域检测，用于识别组织切片内具有空间一致性的区域。尽管针对每项任务已经开发出众多方法，但仍缺乏一项覆盖多种组织类型、空间分辨率和技术平台的全面且统一的基准评测研究，这阻碍了终端用户进行知情的方法选择，也妨碍了未来方法学的发展。
在此，我们提出了 spDDB（https://github.com/Zafar-Lab/spDDB），这是一个针对空间解卷积和空间域检测方法的综合基准评测框架，涵盖了跨越多种组织、技术和生物学条件的大规模多样化数据集集合。我们在来自脑、癌症及器官组织的 37 个整理数据集上评估了 21 种解卷积方法，其中包括 7 种新近开发的方法，这些数据集涵盖了 4 种不同技术。
为实现严格评估，我们引入了 SynthST，这是一种基于深度图注意力自编码器的模拟器，可从空间转录组数据中生成真实的空间细胞类型分布；同时，我们采用了一系列空间双变量指标，包括一种新的双变量 Geary's C 指标，以及稀有细胞类型和细胞形状表征指标，以进行多维性能评估。尽管 Cell2location、RCTD 和 SONAR 在不同组织类型的空间解卷积中表现最佳，但解卷积性能会因组织结构、空间技术、数据集规模和细胞类型多样性而显著变化。
对于空间域检测，我们在涵盖 6 种空间技术的 36 个数据集上对 18 种方法进行了基准评测，确定 PROST、BASS 和 SpaceFlow 为领先方法，同时揭示了现有方法在处理大规模数据集方面的显著局限性。最后，我们提供了实用指南，以帮助终端用户在多样化实验环境下为这两项任务选择最优方法。
感谢您关注并帮助传播 bioRxiv。
注意：要求提供您的电子邮箱地址，仅用于将您识别为本文的发送者。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.11.724248v1?rss=1
🏷️ 空间转录组 空间去卷积 空间域检测 基准评测 深度图注意力自编码器 计算方法