DOI: https://doi.org/10.1038/s41467-026-70821-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41896208
تاريخ النشر: 2026-03-27
المؤلف: Zhihua Du وآخرون
الموضوع الرئيسي: علم النسخ الجيني أحادي الخلية والمكاني
طرق
قسم “الطرق” يوضح التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات ذات الأهمية. تضمنت المنهجيات المحددة تطبيق اختبارات إحصائية لتقييم دلالة النتائج، مما يضمن أن تكون النتائج قوية وموثوقة.
شملت جمع البيانات أخذ عينات منهجية واستخدام أدوات موحدة لقياس النتائج. تم إجراء التحليل باستخدام أدوات برمجية سهلت تطبيق نماذج إحصائية معقدة، مما سمح بتفسير شامل للبيانات. يبرز القسم أهمية القابلية للتكرار والشفافية في الطرق لتعزيز مصداقية النتائج.
نتائج
إطار عمل SMART هو طريقة حسابية تستخدم الشبكات العصبية الرسومية وتعلم القياسات لدمج عدة أنماط أوميكس مع توزيع الأنسجة المكاني في تمثيل كامن موحد. من خلال بناء رسم بياني استنادًا إلى الإحداثيات المكانية والمكونات الرئيسية المستمدة من بيانات الأوميكس، تلتقط SMART الارتباطات المكانية عبر بقع الأنسجة، حتى عندما تكون بعيدة ولكن تنتمي إلى نفس نوع الخلايا أو الهيكل التشريحي. تستخدم الطريقة تحليل المكونات الرئيسية (PCA) لتقليل بيانات الأوميكس عالية الأبعاد، مما يعالج ندرة بيانات الأوميكس المكانية ويضمن الاحتفاظ بأنماط ذات معنى بيولوجيًا.
لنمذجة السياق المكاني، تبني SMART رسومات جيران مكانية باستخدام خوارزمية الجار الأقرب k وتدمج ميزات الأوميكس من خلال مشفرات قائمة على GraphSAGE. يتم استخدام دالة خسارة ثلاثية لضبط التمثيلات بناءً على التشابهات المتبادلة في فضاء المكونات الرئيسية، مما يسمح للنموذج بالحفاظ على ميزات محددة للأوميكس أثناء دمج السياق المكاني. يتم التحقق من صحة الإطار من خلال دراسات الإزالة، مما يوضح فعاليته في دمج مجموعات البيانات مع طبقتين أو ثلاث من الأوميكس وقابلية توسيعه إلى سيناريوهات متعددة الأوميكس أكثر تعقيدًا. بالإضافة إلى ذلك، تستوعب SMART التغيرات في تقنيات جمع البيانات والدقة، مما يظهر قوتها ومرونتها في التعامل مع بيانات الأوميكس المكانية المتعددة.
مناقشة
تقيّم قسم المناقشة في الورقة أداء SMART، وهو نموذج تعلم عميق مصمم لدمج بيانات الأوميكس المتعددة مع المعلومات المكانية. أظهرت التقييمات الأولية باستخدام بيانات أوميكس متعددة مكانية محاكية أن SMART تفوقت على الطرق الحالية في تحديد العوامل المكانية بدقة والحفاظ على العلاقات بين أنماط الأوميكس المختلفة. على وجه الخصوص، أظهرت SMART دقة تجميع متفوقة وتماسك مكاني، كما يتضح من درجات Moran’s I العالية والأداء المتسق عبر مقاييس التجميع المختلفة، بما في ذلك مؤشر Rand المعدل (ARI) ومعلومات الترابط العادية (NMI).
عند تطبيقها على مجموعات بيانات من العالم الحقيقي، بما في ذلك بيانات النسخ الجيني وبيانات البروتينات من الغدد اللمفاوية البشرية وبيانات وصول الكروماتين من أدمغة الفئران النامية، قامت SMART بتحديد الهياكل النسيجية المعقدة والمجالات المكانية بفعالية، متفوقة على طرق الدمج الأخرى. تم تعزيز قدرة النموذج على دمج البيانات عبر مقاطع الأنسجة المتعددة من خلال تطوير SMART-MS، الذي عالج تأثيرات الدفعات وحسن محاذاة الجيران المكانيين. بشكل عام، تؤكد بنية SMART، التي تتضمن الطوبولوجيا المكانية من خلال رسم بياني للجار الأقرب وتستخدم آليات تدريب فعالة، على قوتها وكفاءتها في التعامل مع بيانات الأوميكس المكانية على نطاق واسع. تسلط هذه النتائج الضوء على إمكانيات SMART كأداة متعددة الاستخدامات لتعزيز أبحاث البيولوجيا المكانية.
DOI: https://doi.org/10.1038/s41467-026-70821-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41896208
Publication Date: 2026-03-27
Author(s): Zhihua Du et al.
Primary Topic: Single-cell and spatial transcriptomics
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the variables of interest. Specific methodologies included the application of statistical tests to evaluate the significance of the results, ensuring that the findings were robust and reliable.
Data collection involved systematic sampling and the use of standardized instruments to measure outcomes. The analysis was conducted using software tools that facilitated the application of complex statistical models, allowing for a comprehensive interpretation of the data. The section emphasizes the importance of replicability and transparency in the methods to enhance the credibility of the findings.
Results
The SMART framework is a computational method that employs graph neural networks and metric learning to integrate multiple omics modalities with spatial tissue distribution into a unified latent representation. By constructing a graph based on spatial coordinates and principal components derived from omic data, SMART captures spatial correlations across tissue spots, even when they are distantly located but belong to the same cell type or anatomical structure. The method utilizes principal component analysis (PCA) to reduce high-dimensional omic data, addressing the sparsity of spatial omics data and ensuring biologically meaningful patterns are retained.
To model spatial context, SMART constructs spatial neighbor graphs using a k-nearest-neighbor algorithm and integrates omic features through GraphSAGE-based encoders. A triplet loss function is employed to adjust representations based on mutual similarities in principal component space, allowing the model to maintain omics-specific features while incorporating spatial context. The framework is validated through ablation studies, demonstrating its effectiveness in integrating datasets with two or three omics layers and its scalability to more complex multi-omics scenarios. Additionally, SMART accommodates variations in data collection technologies and resolutions, showcasing its robustness and flexibility in handling spatial multi-omics data.
Discussion
The discussion section of the paper evaluates the performance of SMART, a deep learning model designed for integrating multi-omics data with spatial information. Initial assessments using simulated spatial multi-omics data indicated that SMART outperformed existing methods in accurately identifying spatial factors and maintaining the relationships among different omics modalities. Specifically, SMART demonstrated superior clustering accuracy and spatial coherence, as evidenced by high Moran’s I scores and consistent performance across various clustering metrics, including Adjusted Rand Index (ARI) and Normalized Mutual Information (NMI).
When applied to real-world datasets, including transcriptomic and proteomic data from human lymph nodes and chromatin accessibility data from developing mouse brains, SMART effectively delineated complex tissue structures and spatial domains, outperforming other integration methods. The model’s ability to integrate data across multiple tissue sections was further enhanced by the development of SMART-MS, which addressed batch effects and improved spatial neighbor alignment. Overall, SMART’s architecture, which incorporates spatial topology through a k-nearest neighbor graph and employs efficient training mechanisms, underscores its robustness and efficiency in handling large-scale spatial multi-omics data. These findings highlight SMART’s potential as a versatile tool for advancing spatial biology research.