首页 > 前沿资讯 > 正文

Nat Methods | 刘博翔团队发布空间多组学整合与注释统一框架DIRAC

2026-11-08 21:23

深度解析医学证据,lxfs.net为你支撑决策

空间多组学技术(Spatial multi-omics)能够在完整组织原位同步解析转录组、蛋白质组、染色质状态等多层分子信息,为研究细胞空间排布规律、微环境互作机制与疾病分子基础提供了关键手段。然而当前数据分析长期面临两大核心技术瓶颈,一方面纵向整合难以有效融合不同组学模态的异质数据,另一方面横向整合无法将参考数据集的细胞类型信息精准迁移到待研究空间样本,这直接制约了数据挖掘效率与生物学发现的可靠性。

2026年11月5日,新加坡国立大学理学院药学系刘博翔教授团队在Nature Methods杂志上发表了题为Integration and annotation of spatial multi-omic data with DIRAC的研究成果,正式推出DIRAC(Domain Invariant Representation through Adaptive Calibration)计算框架。该方法基于几何深度学习与领域自适应理论,首次将空间多组学的纵向模态融合与跨数据集横向注释两大核心任务纳入统一体系,实现了高效、鲁棒的空间多组学数据整合与自动化细胞类型、空间结构注释。

图片

RNA、蛋白质与染色质状态等不同分子层面的信息共同决定细胞身份与功能,理想的整合分析必须同时兼顾分子特征相似性与空间位置邻接关系。现有的纵向整合方法大多面向单细胞多组学数据设计,分析过程中会丢失关键的空间位置信息,少数适配空间数据的方法也缺乏显式的跨模态批次校正机制,最终融合得到的组织结构边界模糊,且计算复杂度难以适配大规模数据。与此同时,常用的横向标签迁移方法往往依赖单一组学信号,一旦遇到测序深度偏低、数据缺失或平台差异较大的情况,分析性能就会明显下滑,还很难识别出参考数据集没有覆盖的新型细胞类型。

针对上述研究空白,DIRAC构建了专门的图神经网络模型,能够把空间邻近关联与分子特征相似度共同编码为结构化图数据,再通过对抗领域判别机制,学习出对模态偏移、批次效应不敏感,却能清晰区分细胞功能状态的核心特征。这套统一框架可以同步完成两大核心任务,一是将多组学数据纵向融合到统一的共享嵌入空间用于聚类与空间区域划分,二是横向完成从标注参考样本到待分析目标样本的标签迁移与结果置信评估。研究团队还设计了稠密子图采样策略优化运算流程,让整套方法能够平稳扩展至百万级细胞的分析规模,同时兼顾长程空间交互信息的捕捉。 

图片

图1|DIRAC整体分析框架。DIRAC利用图神经网络与自适应领域校准,同时完成空间多组学纵向整合和跨数据集横向标签迁移。

研究人员通过模拟数据集与真实生物数据开展系统性性能评估,在小鼠胚胎DBiT-seq转录组与蛋白组联合数据中[1],与SpatialGLUE[2] 、MISO、MaxFuse、MultiVI等主流分析方法进行全面对比。结果显示,无论是规则结构化空间分布,还是弥散型细胞分布的模拟数据,DIRAC划分出的空间结构与真实格局一致性最高,即便数据随机缺失比例达到50%,依然能够维持稳定可靠的分析效果,DIRAC实现了最优的组学混合效果,同时完整保留了关键生物学特征。应用到胶质母细胞瘤空间多组学数据时,DIRAC检出了其他方法未能识别的微血管增殖特异空间结构域,通过细胞通讯分析进一步解析出该区域内APELIN等关键信号通路的空间互作特征关[3]。而在阿尔茨海默病前额叶皮层数据的分析中,DIRAC纠正了此前研究的结论偏差[4],证实重度病例中大脑皮质分层结构依然可以识别,只是伴随层结构变薄与边界模糊的特征,分析结果与组织病理观察结论保持一致。

研究团队进一步联合华大基因自主生成小鼠胸腺、脾脏高分辨率Stereo-CITE-seq数据,同步检测全转录组与128种蛋白标志物并应用DIRAC开展分析。在胸腺组织中,方法能够精确划分被膜、皮质、皮髓交界与髓质及其精细亚区,完整重建T细胞从被膜下皮质双阴性细胞出发,经过皮质双阳性发育阶段,最终在髓质成熟为单阳性细胞的空间分化迁移轨迹,有效避免了单独依靠转录组或蛋白组注释造成的细胞定位偏差。在脾脏组织中,清晰区分红白髓、边缘区、T细胞区与B细胞滤泡等关键结构,精准定位各类细胞的空间分布特征,阐明了巨噬细胞与单核、中性粒细胞之间Apoe-Sorl1细胞通讯模式的作用规律,而这一互作机制此前尚未在脾脏中被报道。

综上,DIRAC建立起一套统一、高效、鲁棒的空间多组学整合分析框架,能够兼容Visium、Stereo-seq、DBiT-seq、CODEX等主流空间测序平台,可支撑肿瘤微环境、神经退行性疾病、免疫器官发育等多个方向的研究工作,为空间基因组学领域提供了可扩展、实用性强的基础算法工具。

原文链接: 

https://www.nature.com/articles/s41592-026-03282-9

项目主页:

https://www.boxiangliulab.com

代码仓库:

https://github.com/boxiangliulab/DIRAC

参考文献:

【1】Liu Y, et al. High-spatial-resolution multi-omics sequencing via deterministic barcoding in tissue. Cell, 2020, 183(6): 1665-1681.

【2】Long Y, et al. Deciphering spatial domains from spatial multi-omics with SpatialGLUE. Nature Methods, 2024.

【3】Jin S, et al. CellChat for systematic analysis of cell-cell communication from single-cell transcriptomics. Nature Protocols, 2025, 20(1): 180-219.

【4】Gong Y, et al. Stereo-seq of the prefrontal cortex in aging and Alzheimer’s disease. Nature Communications, 2025, 16: 482.

声明:本文为模板演示用示例文稿,不构成任何医疗建议;如有健康问题请咨询专业医师。
广告位