Nat Commun｜鄭旭彬/陳金妙/杜智華開發SMART：一種基于圖神經網絡與度量學習的空間多組學整合框架

隨著空間多組學技術的飛速發展（如 10x Visium CytAssist 、 MISAR-seq 等），研究者能夠同時獲取同一組織切片的轉錄組、蛋白組或表觀組信息。然而，如何有效地將具有不同特征維度和空間分布的多模態數據聚合到統一的潛在空間，并準確識別解剖結構，依然是計算生物學領域的一大挑戰。

為了應對這一挑戰， 2026 年 3 月 27 日，大灣 區大學鄭旭彬、新加坡國立大學醫學院陳金妙、深圳大學杜智華等人在 Nature Communications 發表題為 SMART: spatial multi- omic aggregation using graph neural networks and metric learning 的研究論文。該論文提出了一種高效、可擴展且通用的空間多組學整合計算框架——SMART。

1. 引入基于圖神經網絡與度量學習的統一整合框架

SMART 構建了一種結合圖神經網絡與度量學習的空間多組學整合方法。該方法基于空間坐標構建 KNN 鄰接圖，并利用 GraphSAGE 對空間鄰域結構與多組學特征進行聯合建模，實現統一的低維表示學習。同時，通過引入基于 MNN 的 triplet loss ，對空間上遠但功能相似的細胞進行約束，從而彌補僅依賴局部鄰域建模的不足。

2. 融合局部空間結構與全局語義相似性信息

在建模過程中， SMART 不僅利用空間鄰接關系刻畫局部組織結構，還通過度量學習顯式建模細胞間的全局相似性關系。該策略使模型在保持空間連續性的同時，提高對功能相似細胞的識別能力，從而在空間結構解析與細胞類型區分之間取得更好的平衡。

3. 支持多切片數據的批次校正與跨樣本整合

在擴展版本 SMART-MS 中，方法結合 PCA 降維與 Harmony 批次校正，實現了多切片 數據的統一整合。該設計能夠有效緩解不同樣本之間的技術偏差，同時保持生物學信號的一致性，從而提升跨切片分析的可靠性。

4. 具備良好的靈活性與可擴展性

SMART 采用模塊化設計，可適用于不同空間分辨率及多種組學組合。通過調節模型參數，可在空間結構保持與細胞類型分辨能力之間進行靈活權衡，適用于多平臺空間多組學數據分析場景。

圖 1 SMART 計算框架圖

主要實驗結論

（ 1 ） 模擬三組學數據： 在 ARI 、 NMI 、 AMI 、 Homo 、 FMI 等全部 7 項指標上優于 10 種對比方法，莫蘭指數接近 1 。

（ 2 ）人類淋巴結（轉錄組 + 蛋白質組）： 準確區分皮質、髓竇、髓索、卵泡、囊外脂肪等 7 類解剖結構，跨多聚類分辨率穩定領先 13 種方法。

（ 3 ） 小鼠腦 MISAR-seq （ 轉錄組 + 染色質可及性）： 4 個 發育階段切片整體排名第一； E18.5 切片額外檢出軟骨 -1 細微邊界。

（ 4 ） 大規模可擴展性：在 Stereo-CITE-seq Bin10 （ 756,430 位點）上僅需 56 s 完成訓練；其他對比方法在約 19 萬位點時均 OOM 失敗。

（ 5 ） SMART-MS 多切片整合：在人扁桃體 3 切片數據上，生物信號保留 + 批次校正綜合得分均領先 MultiVI 、 Present-BC 、 TotalVI 、 MOFA+ 。

本文通訊作者為鄭旭彬助理教授（大灣區大學 ） 、陳金妙副教授（杜克 - 國立新加坡大學醫學院 / A*STAR BII / 新加坡國立大學）， 第一作者為杜智華教授（深圳大學） ， 第二作者為陳麒亦（深圳大學碩士研究生），第三作者為黃偉亮（深圳大學 - 大灣區大學 聯合 培養碩士研究生）。

論文鏈接：https://doi.org/10.1038/s41467-026-70821-5

制版人： 十一

學術合作組織

（*排名不分先后）

戰略合作伙伴

（*排名不分先后）

轉載須知

【非原創文章】本文著作權歸文章作者所有，歡迎個人轉發分享，未經作者的允許禁止轉載，作者擁有所有法定權利，違者必究。

BioArt

Med

Plants

人才招聘

近期直播推薦

點擊主頁推薦活動

關注更多最新活動！