SOFisher: reinforcement learning-guided experiment designs for spatial omics

Zhuo Li

doi:10.1038/s41467-026-73404-6

SOFisher: reinforcement learning-guided experiment designs for spatial omics

2026-05-25

0

OA

AI

DOI：10.1038/s41467-026-73404-6

原文链接

查看原文

摘要

En 中文

空间组学技术能够实现高空间分辨率下蛋白质和RNA的精确检测。设计空间组学实验需要仔细考虑“测量哪些”目标以及“在何处”定位视野（FOVs）。当前的FOV采样策略通常涉及密集采样FOVs并将其拼接，这耗时、资源密集，有时甚至不可行。为优化FOV采样策略，我们提出SOFisher框架，该框架基于强化学习，利用先前采样FOV序列中获得的知识来指导下一个FOV位置的选择，以提高捕获更多感兴趣区域的效率。我们通过基于真实空间数据集的综合仿真严格评估了SOFisher的性能，结果表明SOFisher在各项指标上均显著优于传统方法。通过跨域泛化测试及其对FOV尺寸变化的适应性，进一步验证了SOFisher的鲁棒性和泛化性。在真实阿尔茨海默病（AD）数据集中，SOFisher成功引导了包含神经原纤维缠结和β-淀粉样蛋白斑块的单目标和双目标组织标记场景下的FOV选择。值得注意的是，使用训练后的SOFisher策略，基于少量FOV的引导式空间单组学实验设计，成功揭示了此前通过大型组织切片的空间多组学实验获得的AD相关细胞状态、亚型和基因程序。我们进一步展示了SOFisher在具有复杂组织结构和高度异质性的结直肠癌数据集上的应用。除了基于细胞类型的靶向，我们将SOFisher的奖励函数扩展以最大化不同空间模式下的基因表达水平，并通过SOFisherWR（带重启的SOFisher）增强其探索能力，以全面捕获不连续的富集目标区域。SOFisher有望革新空间生物学实验设计。研究者提出SOFisher框架，用于空间组学实验中的视野采样，该框架能高效捕获多个感兴趣区域，并展现出显著的鲁棒性和泛化性。

Keyword:

SOFisher

reinforcement learning

spatial omics

field-of-view sampling

region of interest

SOFisher: reinforcement learning-guided experiment designs for spatial omics

摘要

AI总结

期刊

机构