生物資訊學
通過從多細胞空間測量中解析細胞類型組成，解卷積成為解析複雜組織細胞圖譜的核心。現有解卷積方法擬合連續表達值，因此對單細胞參考與空間數據之間的批次效應較為敏感，並且需要針對每一種新情境重新訓練。本文提出 SpaRank，這是一種具備情境感知能力的框架，通過將空間點表示為排序特徵序列來執行空間解卷積。該方法借鑑了單細胞基礎模型中的基於排序的編碼方式，這種表述形式天然對技術變異具有魯棒性，從而實現了預訓練—遷移範式。
在模擬基準測試中，SpaRank 展現出較強的解卷積準確性、對錶達擾動的魯棒性以及顯著的計算效率。在實驗數據集中，預訓練模型可跨越多樣的生物學情境實現泛化：一個在多器官淋巴圖譜上預訓練的模型能夠在不同組織和測序平台中準確解析細胞類型分佈；同樣，一個在整合乳腺圖譜上預訓練的模型能夠刻畫正常與惡性疾病狀態下的細胞類型組成。此外，該框架還可通過採用門控融合來自然擴展至多模態空間解卷積，以自適應整合多樣化組學信號，相較於單模態方法進一步提升準確性。
總體而言，SpaRank 建立了一種可遷移的解卷積範式，使統一的細胞圖譜能夠支援跨多種生物學狀態和分析模態的直接、具備情境感知能力的推斷。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.09.723936v1?rss=1
🏷️ 空間組學 解卷積 單細胞參考 預訓練遷移 多模態整合