ST-DISTAL：双分支图卷积结合分布对齐用于空间转录组细胞类型反卷积

基于测序的空间转录组技术在保留空间位置信息的同时实现高通量基因表达检测,但其空间分辨率有限,每个spot往往混合了多种细胞类型,因而需要借助单细胞参考进行细胞类型解卷积,这已成为该领域的关键计算问题^[1]。围绕这一任务,研究者已开发出多种方法,例如CARD通过条件自回归模型将单细胞参考与空间相关性结合以提升解卷积精度^[3],GraphST将图神经网络与自监督对比学习结合用于spot表征与解卷积^[2],SPACEL中的Spoint模块也利用概率模型分解每个spot的细胞类型组成^[5]。系统性的基准评估比较了多种方法在解卷积与转录本分布预测中的表现,指出不同方法各有所长^[1][4]。然而,许多现有方法未能同时建模分子表达相似性与空间上下文,也不显式地将预测结果与参考谱的全局分布对齐,容易产生与组织真实结构不符的空间不一致估计。

针对上述问题,本文提出ST-DISTAL,一个用于空间转录组细胞类型解卷积的双分支图卷积框架^[6]。其设计核心在于将传统空间图卷积与基于Chebyshev多项式的谱滤波通过自适应注意力机制融合,使模型能够同时刻画局部空间依赖与全局结构模式^[7]。训练目标是一个复合损失函数,联合优化细胞类型比例估计的准确性、预测结果与参考谱的全局分布对齐,以及空间平滑性。在三个模拟基准数据集上的评估显示,ST-DISTAL在预测精度和分布对齐两方面均持续优于当前最先进的方法;进一步在人类胚胎心脏数据集和结直肠癌数据集上的验证表明,其解卷积结果呈现生物学合理且空间连贯的细胞类型组织模式^[6]。补充材料中详细列出了所采用的评估指标^[8]。

相较于已有的空间感知解卷积方法,本工作的推进体现在两点:一是通过双分支结构和谱Chebyshev滤波将局部图结构与全局频域信息同时纳入考量;二是将参考谱的分布对齐作为独立目标直接约束,弥补了仅靠单点重建损失而忽略全局先验的不足,从而在分布层面提升了预测与生物学先验的一致性。

不过,该方法在三个模拟数据集上展现的优势能否在更多样的真实组织、更复杂的细胞组成以及不同技术平台下保持,仍需进一步验证;当参考数据与待解卷积数据不匹配、或缺乏高质量单细胞参考时,框架的鲁棒性在现有材料中也尚未给出明确结论,这些都是后续工作需要回答的问题。