空間轉錄組技術能夠對基因表達模式進行高分辨率表徵，並在組織背景下重建細胞結構。針對這類數據的分析，已出現兩個關鍵的計算問題：空間解卷積，用於解析空間位置上的細胞類型組成；以及空間域檢測，用於識別組織切片內具有空間一致性的區域。儘管針對每項任務已經開發出眾多方法，但仍缺乏一項覆蓋多種組織類型、空間分辨率和技術平台的全面且統一的基準評測研究，這阻礙了終端用戶進行知情的方法選擇，也妨礙了未來方法學的發展。
在此，我們提出了 spDDB（https://github.com/Zafar-Lab/spDDB），這是一個針對空間解卷積和空間域檢測方法的綜合基準評測框架，涵蓋了跨越多種組織、技術和生物學條件的大規模多樣化數據集集合。我們在來自腦、癌症及器官組織的 37 個整理數據集上評估了 21 種解卷積方法，其中包括 7 種新近開發的方法，這些數據集涵蓋了 4 種不同技術。
為實現嚴格評估，我們引入了 SynthST，這是一種基於深度圖注意力自編碼器的模擬器，可從空間轉錄組數據中生成真實的空間細胞類型分佈；同時，我們採用了一系列空間雙變量指標，包括一種新的雙變量 Geary's C 指標，以及稀有細胞類型和細胞形狀表徵指標，以進行多維性能評估。儘管 Cell2location、RCTD 和 SONAR 在不同組織類型的空間解卷積中表現最佳，但解卷積性能會因組織結構、空間技術、數據集規模和細胞類型多樣性而顯著變化。
對於空間域檢測，我們在涵蓋 6 種空間技術的 36 個數據集上對 18 種方法進行了基準評測，確定 PROST、BASS 和 SpaceFlow 為領先方法，同時揭示了現有方法在處理大規模數據集方面的顯著侷限性。最後，我們提供了實用指南，以幫助終端用戶在多樣化實驗環境下為這兩項任務選擇最優方法。
感謝您關注並幫助傳播 bioRxiv。
注意：要求提供您的電子電郵地址，僅用於將您識別為本文的發送者。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.11.724248v1?rss=1
🏷️ 空間轉錄組 空間去卷積 空間域檢測 基準評測 深度圖注意力自編碼器 計算方法