时空组工具 | 用SpatialGlue从空间多组学中解析空间域

空间组学技术的进步允许从同一组织切片获取多种类型的数据。为了充分发挥此类数据的潜力，我们需要空间信息数据集成方法。近日，《Nature Methods》发表了一种名为SpatialGlue的新方法，该方法基于图神经网络，通过双重注意力机制，首次成功整合了小鼠脾脏、胸腺和大脑的空间多组学数据。

SpatialGlue是什么？

SpatialGlue是一款专门用于空间多组学分析的方法。它能够将来自同一组织切片的多种空间组学数据模态进行有效整合，进而以更高的空间分辨率揭示组织样本的空间域。SpatialGlue运用图神经网络技术，为每个数据模态学习低维嵌入，随后实现跨模态数据的精准整合。为了更准确地整合空间信息与个体组学数据，并促进跨组学的综合分析，SpatialGlue特别引入了双重注意力聚合机制，该机制能够自适应地评估不同数据模态的重要性，从而极大地提升了整合的准确性和效率。

SpatialGlue -用于空间多组学数据分析的可解释深度双重注意模型

SpatialGlue的性能测试

首先，研究人员在模拟数据和实验获取的真实数据上测试了SpatialGlue的性能，对于人类淋巴结数据，作者使用空间转录组技术和蛋白质共谱技术生成淋巴结数据集。结果显示，SpatialGlue在定量性能和捕捉解剖细节方面均优于现有方法。这表明SpatialGlue能够更准确地整合多种数据模态，并提供更精细的组织结构信息。

SpatialGlue在模拟和真实数据中准确识别空间域

其次，研究人员在小鼠大脑样本中应用了SpatialGlue，成功整合了空间表观基因组和转录组数据。鼠脑数据共分为两类，一类是ATAC–RNA-seq，目的是测量mRNA和开放染色质区域；另一个是RNA-seq与CUT&Tag模式。通过这一整合方法，研究人员能够识别和区分更多的皮层层次，比原始数据注释更为详细。这一发现揭示了大脑结构的复杂性，并展示了SpatialGlue在解析复杂组织样本方面的潜力。

SpatialGlue 以更高的分辨率剖析了小鼠大脑样本的空间表观基因组-转录组数据

此外，研究团队展示了SpatialGlue在各技术平台上具有广泛适用性，并进一步将其应用于Stereo-CITE-seq和SPOTS获取的数据。Stereo-CITE-seq被用于分析小鼠胸腺切片，在亚细胞分辨率下捕获mRNA和蛋白质，并准确识别出髓质和皮质区域，其性能优于其他七种方法。研究还发现SpatialGlue能够区分脾脏中的不同巨噬细胞亚群，提供了关于免疫细胞功能和分布的新见解。这一发现展示了SpatialGlue在解读免疫系统复杂性方面的应用前景。

SpatialGlue 准确整合了小鼠胸腺和脾脏的多模态数据

通过上述实验，研究人员发现SpatialGlue具有跨模态数据整合的显著优势。相比于单一模态的数据分析，SpatialGlue能够结合不同组学的数据，更全面地理解组织样本的功能和结构。它不仅揭示了更多的生物学细节，还帮助研究人员识别了潜在的生物机制。

总体而言，SpatialGlue展示了在空间多组学数据整合中的强大能力，为深入研究生物样本的时空特性提供了新的工具和方法。这一研究不仅提升了研究人员对复杂组织样本的理解，也为未来的多组学数据整合和分析提供了重要的参考和借鉴。

SpatialGlue工具包的开源Python实现可访问如下链接：

👉 https://github.com/JinmiaoChenLab/SpatialGlue/

为多组学集成设计的SpatialGlue_3M工具包的单独Python实现可访问如下链接：

👉 https://github.com/JinmiaoChenLab/SpatialGlue_3M/

参考文献：

Long, Y., Ang, K.S., Sethi, R. et al. Deciphering spatial domains from spatial multi-omics with SpatialGlue. Nat Methods (2024). https://doi.org/10.1038/s41592-024-02316-4