Nature Methods ：“等深度”模型重塑空间生物学格局!深度学习与空间转录组学的完美结合

随着基因组学和空间转录组学(Spatial Transcriptomics, ST)技术的飞速发展，我们得以探索组织内基因表达的空间分布，从而揭示生物体复杂的功能和结构。然而，现有的空间转录组学数据通常由于测序深度或技术限制而呈现高稀疏性，这为全面解析组织中基因表达的连续梯度与区域性变化带来了极大的挑战。例如，大脑的不同皮层层次或肿瘤微环境中的代谢活动，都依赖于基因表达的微妙变化，而现有的分析方法常常难以同时捕获这些连续与离散的空间模式。

针对这一难题，1月23日Nature Methods的研究报道 Mapping the topography of spatial gene expression with interpretable deep learning ，团队开发了一种全新的深度学习算法 GASTON（Gradient Analysis of Spatial Transcriptomics Organization with Neural networks）。GASTON通过结合无监督的深度神经网络与可解释性算法，创新性地提出了 等深度 （Isodepth）的概念，这一概念类似于地形图中的海拔高度，用于量化组织切片中的基因表达空间拓扑结构。通过等深度及其梯度，研究人员不仅能够分割组织的不同空间区域，还能识别组织内基因表达的连续变化趋势和关键标志基因。

该研究展示了GASTON在多种生物样本中的成功应用，包括小鼠大脑、小鼠嗅球、肿瘤微环境等。结果表明，GASTON可以准确解析组织结构，揭示细胞类型的空间分布与变化规律，同时挖掘出许多在其他方法中被忽视的空间基因表达模式。这些发现为疾病机制的深入研究、药物靶点的识别，以及未来的医疗提供了宝贵的数据支持。