.png){kind=icon}
返回
Decoding spatial transcriptomics across multicellular and subcellular resolutions
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-026-72872-0.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前全基因组空间转录组学（ST）平台，从多细胞（如Visium）到亚细胞分辨率（如Visium HD、Stereo-seq），在准确分解或聚合斑点为生物活动的基本单位——单细胞方面面临重大挑战。迄今为止，大多数现有计算方法在斑点水平操作，尚无方法有效在单细胞分辨率下重建转录组。本研究中，我们提出STARS（用于单细胞的跨分辨率空间转录组学）。利用Vision Transformer模型和对比学习，STARS结合高分辨率组织学图像与斑点水平转录组学数据，从多细胞和亚细胞平台重建单细胞水平的基因表达。我们使用小鼠肺的3种ST平台（Visium、Visium HD和Stereo-seq）的内部数据集及额外公开数据集，展示了我们单细胞水平方法的优势。STARS应用于组织、单个细胞和分子水平。在组织水平，STARS识别感兴趣区域，如特定组织结构或免疫区域。在单个细胞水平，STARS识别免疫细胞——包括CD4/CD8 T细胞和肿瘤相关成纤维细胞（CAFs）——区分两种CAF亚型及巨噬细胞亚型，包括罕见的SPP1+巨噬细胞。此外，STARS在结直肠癌中识别三级淋巴结构，与改善临床结局相关，并检测小鼠肺组织中流感感染与细菌重叠感染间免疫细胞群的变化。在分子水平，我们展示了改进的细胞类型分离，差异基因表达分析以更高精度识别细胞类型特异性标记。这些结果强调了我们方法鲁棒性，为组织架构和单细胞水平基因表达提供生物学相关见解，推进跨分辨率的下游空间转录组学分析。空间转录组学平台涵盖多细胞至亚细胞分辨率，但缺乏跨平台重建单细胞转录组的方法。本文作者介绍STARS，一种统一的深度学习框架，整合组织学和转录组学以推断跨分辨率的单细胞基因表达。
Keyword:
Spatial Transcriptomics
Single-Cell Resolution
Vision Transformer
Contrastive Learning
Gene Expression
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
查看更多机构