空间组学技术这几年发展得很快，它把分子信息锚定在组织原有的空间坐标上，帮研究人员看清了细胞在真实微环境里的排布和互动。2026年8月11日，中国农业科学院深圳农业基因组研究所邵浩靖/贾耿介团队联合国内外多家科研机构，在《iMeta》期刊上发表了题为“Spatial omics in the AI era: Technologies, algorithmic ecosystems, biological applications, and large model perspectives”的综述论文。研究团队对现有的空间转录组、蛋白质组、代谢组和表观基因组技术做了系统梳理，比较了不同平台在分辨率、检测灵敏度和样本兼容性上的实际表现，同时评估了从原始数据处理到生物学解读的整套计算工具，并且对人工智能大模型如何融入空间组学研究给出了前瞻性的讨论。
在这篇综述里，研究人员把空间转录组技术分成了基于测序和基于成像两大阵营。测序类平台像Stereo-seq和Visium HD能覆盖较大的组织面积，适合做探索性的全转录组图谱绘制，成像类平台像Xenium和CosMx则在单细胞分辨率和基因检测灵敏度上更有优势，不过它们的基因检测范围通常局限在人和小鼠的预设基因集上。细胞分割是把原始分子坐标转变成单细胞数据的关键步骤，研究团队比较了几种主流方法后发现，结合细胞膜或细胞壁染色的多模态分割能明显提升准确性，F1评分可以超过0.9，而单纯依靠核染色再向外扩展的做法通常低于0.8。在计算生态方面，Python环境以AnnData数据结构为核心，配合Squidpy处理超大病理图像，R环境则依赖SpatialExperiment类和Giotto套件进行多尺度整合，但跨语言的数据转换经常造成元数据丢失和坐标偏移，研究团队呼吁开发统一的存储格式和坐标标准来彻底解决这些实际困难。
空间聚类是识别组织区域的基础任务，研究团队将现有方法归纳为贝叶斯统计、图神经网络和深度学习融合三类，他们在大规模基准测试中发现STAGATE、GraphST和BASS在多数平台上表现稳定，而DeepST和SEDR在应对高稀疏数据和保持空间连续性上更有优势。细胞类型注释方面，对于分辨率不够高的Visium数据，研究人员需要使用去卷积算法把混合的spot拆解成不同细胞类型的比例，团队推荐的cell2Location、RCTD和Tangram在准确性和鲁棒性上处于领先位置，Tangram还能把低分辨率数据重建到单细胞精度，这为后续的精细分析提供了便利。细胞通讯分析工具的数量增长很快，但不同工具给出的结果一致性偏低，研究人员建议同时使用CellChat和CellPhoneDB进行常规筛查，如果想探究信号通路的功能后果则优先选择NicheNet，并且在分析大规模数据集时要避开计算负担较重的stLearn和CytoTalk，这样才能在效率和可靠性之间找到平衡。
大部分空间组学数据目前还停留在二维切片层面，研究团队认为向三维组织重构和虚拟细胞模拟迈进是当前的一个重要趋势。三维重构有两种主要策略，一种是把连续切片堆叠起来并用算法对齐，STAIR和Spateo框架分别解决了切片变形误差和Z轴偏移的问题，另一种是利用三维形态学图像结合少量切片数据做预测，VORTEX框架就是这种思路的代表，但它高度依赖形态与基因表达之间的相关性，很多关键基因的表达变化并没有对应的形态改变，这限制了它的适用范围。虚拟细胞模型则试图在计算机里模拟细胞对外界扰动的响应，PerturbNet这类数据驱动模型能做到零样本预测，但缺乏生物学约束容易产生不合理的结果，GREmLN把已知基因调控网络嵌入神经网络里，约束了计算空间，而SpatialProp和Celcomen进一步考虑了细胞的空间邻居和因果联系，这些进展让空间组学从静态描述逐步走向了动态预测。
研究团队还总结了空间组学在多个生物领域的应用成果。在肿瘤研究中，空间组学揭示了肝癌里Vimentin高表达巨噬细胞与Treg细胞的空间互作模式，以及胰腺癌肝转移和肺转移在细胞状态上的显著差异。在神经科学领域，高分辨率空间数据重新定义了大脑皮层的分子边界，证实了同型神经元之间的“马赛克”分布规律，并且识别出精神分裂症、渐冻症和胶质母细胞瘤中各自特有的空间病理特征。心血管疾病方面，研究人员利用空间转录组捕捉到心肌梗死区域CCR2+单核细胞通过心内膜浸润的新途径。在植物和动物发育研究中，空间组学帮助描绘了睾丸支持细胞的自主节律、拟南芥根尖的激素梯度以及菌根共生界面的分子对话，这些发现都得益于空间位置信息的保留。
面向未来，研究团队讨论了大模型在空间组学中的角色和挑战。Novae和scGPT-spatial这类基础模型已经能在零样本迁移、多平台数据整合和批次校正上展现出不错的能力，OmiCLIP等视觉-组学模型则尝试从常规病理切片直接推断分子特征，这有望降低空间实验的成本。SpatialAgent和CellAgent等AI智能体初步实现了分析流程的自动化，但它们在控制幻觉和整合生物学知识方面还有不少短板。研究团队提出，接下来的发展应当把生物先验知识更深入地嵌入算法架构，并且建立从样本处理到临床转化的一整套标准化质控体系，这样才能让空间组学真正服务于基础研究和临床决策。
READING
BioPeers
热门跟贴