Spartan: Spatial Activation Aware Transcriptomic Analysis Network

本文介绍了 Spartan，一种激活感知的多路图框架，它通过整合空间拓扑与局部空间激活信号来显式建模空间过渡，从而在多种高分辨率空间转录组技术中实现了对解剖结构边界和过渡区域的高精度识别及空间可变基因检测。

要点

这篇论文介绍了一个名为 Spartan（斯巴达）的新工具，它专门用来分析一种叫做“空间转录组学”的复杂数据。

为了让你轻松理解，我们可以把这项技术想象成给城市绘制一张极其精细的“人口分布与性格地图”。

1. 背景：我们在看什么？

想象一下，你手里有一张巨大的城市地图（这是生物组织，比如人的胃或大脑）。

• 传统方法：以前的技术就像是用低像素的相机拍照，只能看到几个大的街区（比如“这是住宅区”，“那是商业区”）。
• 现在的挑战：现在的新技术（空间转录组学）就像是用4K 甚至 8K 的超高清相机，能看清每一个具体的“居民”（细胞），甚至知道他们说了什么话（基因表达）。
• 问题：但是，城市里有很多过渡地带。比如，住宅区和商业区之间可能有一条“混合街”，既有卖菜的也有住人的。以前的算法太笨，要么把这条街强行划给住宅区，要么强行划给商业区，导致边界模糊，或者把一些特殊的“小巷子”（微观结构）给忽略了。

2. Spartan 的核心魔法：它是怎么做的？

Spartan 就像是一个超级聪明的城市规划师，它不仅仅看“谁和谁住得近”，还看“谁和谁的性格不同”。

它用了三个“视角”来重新划分城市：

1. 视角一：邻居关系（空间拓扑）
   • 比喻：看谁住在谁隔壁。这是最基础的，就像看地图上的街道连接。
2. 视角二：基因相似度（表达连接）
   • 比喻：看谁和谁“聊得来”。如果两个细胞说的“语言”（基因）很像，它们就属于同一个群体。
3. 视角三（Spartan 的独门绝技）：局部空间激活 (LSA)
   • 比喻：这是 Spartan 最厉害的地方。它不看“谁和谁像”，而是看**“谁和邻居不一样”**。
   • 场景：想象一个安静的住宅区（同质化区域），大家都很安静。突然，在住宅区和商业区的交界处，有一个小广场，那里既有居民在聊天，又有商人在叫卖，气氛非常活跃且独特。
   • LSA 的作用：以前的算法喜欢把这种“活跃地带”抹平，强行归入一边。但 Spartan 会敏锐地捕捉到这种**“与邻居不同的活跃信号”。它知道，这种“不同”不是噪音，而是边界或特殊功能区**的标志。

3. Spartan 做了什么？

Spartan 把上面三个视角结合起来，画出了一张**“激活感知图”**。

• 精准划界：它能清晰地画出住宅区和商业区的分界线，甚至能画出那条“混合街”（比如胃和食管的连接处，即胃食管连接部 GEJ）。
• 发现微结构：它能发现那些以前被忽略的“小巷子”或“特殊社区”（比如组织内部微小的血管网络或干细胞巢）。
• 自动找规律：它不仅能画图，还能告诉你哪些“居民”（基因）是这些特殊区域的“招牌”。比如，它发现某个基因只在胃食管连接处活跃，那这个基因就是该区域的“地标”。

4. 实际案例：它有多强？

论文里用了一个非常复杂的例子：人类胎儿的食管和胃。

• 这是一个正在发育的器官，食管和胃的交界处（胃食管连接部）非常复杂，细胞类型是慢慢过渡的，没有一刀切的界限。
• 以前的工具：可能会把这里切得乱七八糟，或者把食管和胃混在一起。
• Spartan：成功地把这个过渡地带分成了几个清晰的层次，甚至还能进一步细分出里面的“小房间”（亚结构），比如哪部分是负责分泌粘液的，哪部分是负责肌肉收缩的。它就像用手术刀一样精准地切开了这个复杂的过渡区。

5. 总结：为什么这很重要？

• 更懂生物：它让我们看清了身体里那些“灰色地带”和“微小角落”，不再是一笔糊涂账。
• 更稳健：它不需要像以前的工具那样，需要专家反复调整参数（就像调收音机找台），它自己就能适应不同的数据。
• 速度快：处理海量数据时，它像跑车一样快，而且不需要超级计算机。

一句话总结：
Spartan 就像是一个拥有“透视眼”和“敏锐听觉”的超级侦探，它不仅能看清细胞住在哪里，还能听懂细胞在“喊什么”，从而在复杂的生物组织中，精准地画出每一个功能区域的边界，连那些最细微的“过渡地带”都逃不过它的眼睛。

技术摘要

Spartan 论文技术总结

1. 研究背景与问题 (Problem)

空间转录组学（Spatial Transcriptomics, SRT）技术正迅速向单细胞分辨率发展，揭示了组织内复杂的结构和连续解剖梯度。然而，现有的空间域（Spatial Domains）识别方法面临以下核心挑战：

• 边界模糊与过渡区合并：许多基于相似性的聚类方法倾向于平滑掉解剖边界，将具有不同功能的过渡区域（如组织界面）合并，导致无法分辨精细的微结构。
• 局部微结构丢失：在复杂的组织中，细微的转录组变化定义了功能特化（如边界相邻区域或类生态位结构），但传统的相似性驱动聚类往往忽略这些生物上有意义的局部变化。
• 现有方法的局限性：大多数方法仅整合空间邻近性和基因表达相似性，缺乏对“局部空间激活”（即细胞状态与其邻居的显著差异）的显式建模，导致在高分辨率数据中难以恢复解剖学对齐的分区。

2. 方法论 (Methodology)

为了解决上述问题，作者提出了 Spartan（Spatial Activation Aware Transcriptomic Analysis Network），这是一个激活感知的多路图（Multiplex Graph）框架。其核心创新在于引入了**局部空间激活（Local Spatial Activation, LSA）**概念，并构建了三个互补的图层进行聚合：

核心组件

1. 空间拓扑图 (Spatial Topology Graph, $S$)：
   • 基于物理邻近关系（KNN 或 Delaunay 三角剖分）构建，编码空间位置上的邻接关系。
2. 局部空间激活图 (LSA Graph, $L$)：
   • 核心创新：LSA 是一个定量指标，用于衡量某个位点（Spot/Cell）的转录状态与其局部邻域均值的偏差。
   • 计算逻辑：在低维潜在空间（PCA 降维后）中，计算位点 $i$ 与其邻居的转录组差异（Attribute Deviation, $\phi$）。LSA 值在空间稳定的区域内较低，而在组织边界、重塑前沿或嵌套微结构处显著升高。
   • 作用：显式建模空间过渡，放大被传统相似性聚类平滑掉的局部转录组偏移信号。
3. 基因表达连接图 (Gene Expression Connectivity Graph, $G$)：
   • 基于 PCA 降维后的空间位点间的转录组相似性构建（KNN 图）。

聚合图与聚类

• 聚合图构建：Spartan 将上述三个图整合为一个加权邻接矩阵 $J$：
  $$J = (\alpha - \beta_1) \times L + (1 - \alpha) \times G + (\alpha - \beta_2) \times S$$
  其中 $\alpha$ 平衡空间/结构与表达相似性，$\beta_1, \beta_2$ 用于调节结构项的权重。
• 聚类算法：在聚合图 $J$ 上应用 Leiden 社区检测算法，实现高效、可重复的空间域识别。
• 空间可变基因 (SVG) 检测：利用 LSA 图计算空间激活商 (Spatial Activation Quotient, SAQ)。SAQ 基于瑞利商（Rayleigh quotient）原理，衡量基因表达模式与 LSA 空间结构的对齐程度，结合置换检验和 FDR 校正来识别具有显著空间模式的基因。

3. 关键贡献 (Key Contributions)

1. 提出 LSA 概念：首次将“局部空间激活”（即偏离邻域环境的转录组信号）作为显式的图结构组件引入空间聚类，解决了传统方法在过渡区模糊边界的问题。
2. 多路图框架：构建了整合空间拓扑、LSA 和表达相似性的聚合图框架，能够同时捕捉全局结构连贯性和局部界面激活。
3. 无需先验标签的鲁棒性：Spartan 不依赖真实标签（Ground Truth）即可运行，且对超参数（如 $\alpha$ 和分辨率 $\gamma$）不敏感，表现出稳定的多尺度恢复能力。
4. 可扩展性与通用性：算法复杂度接近线性，适用于从测序（Visium, Stereo-seq）到成像（MERFISH, STARmap）等多种 SRT 技术，且能处理大规模数据集。

4. 实验结果 (Results)

• 基准测试表现：
  • 在 SDMBench 套件（包含 STARmap, MERFISH, osmFISH, Stereo-seq 等 6 个数据集）及 Vizgen MERFISH 数据集上的测试中，Spartan 在 NMI（归一化互信息）、HOM（同质性）、COM（完整性）和 R 分数等指标上均表现优异。
  • 与 BANKSY, NichePCA, SpatialLeiden 等最新方法相比，Spartan 在复杂数据集（如高分辨率 MERFISH）上表现出更高的稳定性和一致性，特别是在平衡同质性与完整性方面。
• 消融实验：
  • 证明了 LSA 图、空间图和表达图的互补性。仅使用双图（如 $L+G$ 或 $S+G$）会导致性能波动，而三图聚合（$L+S+G$）提供了最稳健的域恢复。
• 生物学发现案例：
  • 小鼠胚胎 (E9.5)：成功恢复了脊髓、心脏、肝脏等解剖结构，并识别出间充质等异质性区域的细分亚群。
  • 人食管与胃发育 (Visium HD)：
    • 在 10 周胎儿样本中，Spartan 精确 delineated（界定）了胃食管连接处 (GEJ) 这一复杂的过渡区域，将其识别为独立的域（Domain 5），而对比方法（如 NichePCA）将其模糊化或错误合并。
    • 在 GEJ 内部进一步识别出不对称的亚结构（如分泌性胃上皮样区域、重塑相关基质区域），揭示了嵌套的微环境。
    • 成功分离了胃基质中的三个功能亚区（细胞外基质富集区、免疫调节区、血管相关区），这些区域在其它方法中常被合并为一个域。
  • 空间可变基因 (SVG)：在多个组织（小鼠脑、人皮层、胚胎）中识别出与解剖边界、细胞类型及功能区域高度一致的 SVGs（如 Gad1, Mbp, Nnat, Oxt 等），并验证了其在不同样本间的可转移性。

5. 意义与影响 (Significance)

• 解决过渡区难题：Spartan 通过激活感知机制，有效解决了空间转录组分析中长期存在的“过渡区模糊”和“微结构丢失”问题，特别适用于发育生物学和肿瘤微环境等具有连续梯度的组织研究。
• 提供可解释框架：LSA 将地理统计学中的局部空间自相关概念（如局部 Moran's I）转化为转录组分析工具，使得聚类结果具有明确的生物学解释（即“激活”代表边界或功能转变）。
• 推动多组学整合：作为一个轻量级、可扩展且无需复杂参数调优的框架，Spartan 为未来的空间多组学整合（Spatial Multi-omics）和细胞间通讯分析奠定了坚实基础。
• 工具化：Spartan 已开源，并支持 SpatialData 框架，便于社区广泛使用和复现。

总结：Spartan 通过引入“局部空间激活”这一关键信号，革新了空间域识别的范式，从单纯的“相似性聚类”转向“激活与结构协同建模”，显著提升了在高分辨率、复杂组织样本中解析精细解剖结构和功能微环境的能力。