計算生物學
單細胞分辨率的空間轉錄組學（ST）能夠在其原生空間背景下描繪基因表達，但相當一部分轉錄本會污染鄰近細胞，從而損害下游生物學分析。現有去污染方法依賴啟發式先驗，要麼忽略污染的空間結構，要麼對鄰居進行聚合而不區分污染與本底表達，因而使分解過程具有歧義。為解決這一歧義，我們提出 DeSpotX，這是一種深度生成模型，利用錨定基因（anchor genes）——即在給定細胞簇中本不表達的基因——來約束污染分解並使其可識別。
DeSpotX 進一步利用空間資訊，通過對鄰近細胞進行帶簇掩碼、距離加權的平均來局部估計污染，並通過學習得到的擴散先驗防止對低表達信號的過度校正。在五個數據集和四種 ST 平台上的 spike-in 模擬中，DeSpotX 在每個數據集上的 AUROC 均超過 0.94，相較於最佳基線提升 0.02 至 0.12，並且對細胞簇註釋和錨定基因構建中的不準確性仍保持穩健。在真實組織上，我們表明去污染後的計數能夠提高標記基因特異性，產生更具空間一致性的表達，並構建與已知生物學一致的細胞—細胞通訊網絡。
我們進一步表明，交替進行去污染與細胞簇註釋可進一步優化這些結果，並在小鼠腦和乳腺癌組織中將配體—受體信號重新分配至預期的源細胞。
作者聲明不存在競爭性利益。
注：我們僅請求您的電子郵件地址，以便將您識別為本文的發送者。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.12.724704v1?rss=1
🏷️ 空間轉錄組 去污染 深度生成模型 錨定基因 細胞通訊