空间转录组学 （spatial transcriptomics，ST） 技能的敏捷鼓起，正在彻底改变咱们对生物安排的空间结构和生物学功用的知道。虽然现在的空间转录组学办法，无论是根据第二代测序 （根据序列的办法） 仍是荧光原位杂交 （根据图画的办法） ，都能供给有价值的见地，但它们在细胞分辩率或转录组规模的剖析方面都面临着局限性。

  为了处理这些局限性，这项研讨提出 SpatialScope，一种运用深度生成模型整合单细胞转录组数据和空间转录组数据的通用办法。经过对模型和算法规划的立异，SpatialScope不只增强了根据序列的空间转录组数据以完成单细胞分辩率，还能精确揣度根据图画的空间转录组数据的全转录组表达水平。研讨经过根据序列和根据图画的空间转录组办法的模仿研讨和实践数据剖析，证明了 SpatialScope 的实用性。SpatialScope 能以整个转录组的单细胞分辩率供给安排架构的空间特征，然后促进下流剖析，包含经过配体与受体的相互作用检测细胞通讯、定位细胞亚型以及辨认空间差异表达基因。

  图1. SpatialScope 旨在运用深度生成模型的才能，从单细胞转录组参阅数据中学习表达量散布，然后揣度空间分辩的单细胞转录组。SpatialScope 的作业流程首先是量化低分辩率空间转录组数据（如 Visium）中每个点内的细胞数量。随后，它将确认点内单个细胞的细胞类型标签。最终，以揣度出的细胞类型标签为条件，SpatialScope 进行基因表达分化，将像素级基因表达谱转化为单细胞级分辩率。经过这种分化，可以在单细胞水平上进行更全面、更详尽的下流剖析。

  图2：基准数据集下不同数据整合东西的成果描绘。空间散点图显现了单细胞分辩率下的细胞类型。赤色虚线表明细胞集合发生的网格。c 柱状图显现了四种单片基准数据集（数据集 1-4）中每种办法在单细胞水平上揣度细胞类型标签的错误率。d 柱状图显现了四种单片基准数据集（数据集 1-4）中每种办法在点水平揣度细胞类型份额时的皮尔森相关系数（PCC）和均方根差错（RMSE）。e 柱状图显现了不同办法在不同模仿捕获率下揣度四个单切片基准数据集（数据集 1-4）中每个单细胞全转录组表达水平的余弦类似度。

  图3. SpatialScope 可以整合多个切片，并解说小鼠大脑皮层数据中的细胞间相互作用。(a，b) 10x Visium小鼠大脑皮层两张相邻切片的染色安排学（左）。(c) SpatialScope 运用多切片相邻信息（上）与 StarDist+RCTD 运用多切片相邻信息（下）的细胞类型辨别断定成果比较（左：小鼠大脑皮层切片 1；右：小鼠大脑皮层切片 2）。(d) 顶部：SpatialScope 运用多切片确认的 L4、L5 IT、L6b/L6 CT/L6 IT、Oligo 和 VLMC 的空间细胞方位。中心：原始 Visium 数据中相应细胞类型特异性符号基因的点级表达水平。底部：SpatialScope 精粹的相应符号基因的单细胞分辩率表达水平。(e) SpatialScope 生成的三维对齐单细胞分辩率空间分辩转录组数据中检测到的一些代表性分子相互作用的可视化。散点图显现了配体-受体对在相应细胞类型对中的表达水平。配体和受体的表达分别用橙色和绿色表明。L 细胞类型表达配体基因，R 细胞类型表达受体基因。