CORAL跨尺度空间多组学整合框架

DRUG ONE空间组学技术能够在保留组织空间结构的同时，测量基因表达、蛋白质、代谢物及表观遗传特征，为理解组织微环境和细胞间相互作用提供了重要工具。然而，不同空间组学平台在空间分辨率、分子检测覆盖度和组织切片配准方面存在明显差异，使多模态数据整合面临较大挑战。针对这一问题，研究人员开发了CORAL（Cross-scale spatial Omics Registration and Analysis via graph Learning），一种基于图学习的跨尺度空间组学配准与分析框架。

CORAL采用概率深度生成模型和图注意力机制，整合空间转录组、蛋白质组、代谢组及表观基因组数据，将分子覆盖范围广但空间分辨率较低的组学测量，与具有单细胞分辨率但检测分子数量有限的数据相结合，构建兼具高空间分辨率和丰富分子信息的统一表征。研究者在多种模拟数据和真实组织样本中验证了CORAL的性能。结果表明，该方法能够准确识别组织空间区域、重建单细胞分子表达谱、检测空间变化特征，并推断细胞间相互作用。在小鼠胸腺、脑组织及多种肿瘤样本中，CORAL揭示了精细组织结构和细胞微环境异质性。

进一步应用于接受免疫治疗的肝细胞癌患者样本时，CORAL识别出与治疗抵抗相关的免疫细胞空间分布及信号通路，为研究复杂组织中的多细胞相互作用提供了新的分析方法。组织内细胞的空间分布及其相互作用是决定生理功能和疾病进展的重要因素。近年来，空间转录组、空间蛋白质组、空间代谢组和空间表观组学技术快速发展，使研究人员能够在原位组织中同时观察细胞分布和分子状态。这些技术已广泛应用于神经科学、肿瘤生物学、发育生物学及疾病机制研究。然而，不同空间组学技术具有明显的互补性和局限性。

例如，Visium能够检测较广泛的转录组信息，但一个空间检测点通常包含多个细胞； CODEX等空间蛋白质组技术能够达到单细胞分辨率，却只能检测相对有限的蛋白质标志物。类似地，空间ATAC-seq可以提供染色质开放性信息，但其空间分辨率往往低于高分辨率空间转录组技术。此外，多组学测量通常来自相邻而非完全相同的组织切片，不同切片之间的形态差异和细胞位置偏移增加了数据配准难度。不同技术的测量范围、灵敏度及噪声特征也存在较大差异，进一步限制了跨模态整合的准确性。

已有多组学整合方法能够学习统一的细胞状态表征，但不少方法主要面向单细胞数据，缺少对组织空间邻近关系的描述。部分空间组学方法虽然能够完成切片配准或空间区域识别，却通常要求不同模态具有相近的分辨率，难以同时完成低分辨率数据解卷积、细胞状态识别及细胞间相互作用分析。因此，研究人员提出CORAL，希望通过统一的深度生成模型，整合具有不同空间尺度和分子覆盖度的组学数据，从而在单细胞尺度重建更完整的组织分子图谱，并进一步研究组织异质性、空间分子变化及细胞间通信。

研究人员构建了结合概率生成建模、跨模态注意力和图注意力网络的CORAL框架。模型首先利用尺度不变特征变换算法对相邻组织切片进行空间配准，再根据细胞和检测点的位置建立跨模态对应关系。对于低分辨率组学数据，CORAL通过解卷积模块推断单细胞分子表达，并利用对比学习对齐不同模态的细胞表征。随后，模型以单个细胞为中心构建局部空间图，通过图注意力机制联合学习分子特征与邻近细胞关系，同时引入层次化潜变量捕捉组织中的空间变化梯度。

训练过程中，模型结合模态特异性的重建损失、对比学习约束和空间平滑正则化，实现不同组学信息的联合优化。研究人员利用模拟转录组与蛋白质组数据，以及小鼠胸腺、脑组织、乳腺癌、肾透明细胞癌和肝细胞癌等真实数据进行验证，并与totalVI、SpatialGlue、MISO和SpatialScope等方法比较，重点评估空间区域识别、单细胞表达重建、空间变异特征提取及细胞间相互作用推断能力。 CORAL实现跨空间尺度的多模态组学整合。

该模型旨在解决不同空间组学平台之间分辨率与分子检测覆盖度不匹配的问题，将低分辨率、广覆盖的组学数据与高分辨率、有限分子覆盖的数据进行联合分析。 CORAL首先对相邻组织切片进行配准，再根据空间位置建立检测点与单细胞之间的对应关系。模型通过独立编码器提取各模态分子特征，并通过解卷积模块将低分辨率检测点中的混合分子信号分配至对应细胞，从而推断单细胞尺度的分子表达谱。与单纯的数据融合不同，CORAL进一步将空间邻近关系纳入模型。

通过构建细胞局部邻域图，图注意力网络能够同时考虑细胞之间的空间距离及分子相似性，学习具有空间上下文信息的细胞表征。模型还引入一维空间潜变量，用于描述组织内部连续变化的分子状态。例如，在存在明显组织分层或细胞分化梯度的组织中，该变量能够反映不同区域之间的渐进变化。通过上述设计，CORAL能够同时完成空间区域识别、单细胞分子表达重建、空间变化特征提取及细胞间相互作用推断，形成统一的多尺度空间组学分析框架。研究人员首先利用模拟空间转录组和蛋白质组数据评估CORAL的基本性能。

为了模拟真实组学平台之间的分辨率差异，研究人员将其中一种模态中的相邻细胞聚合为低分辨率检测点，同时保留另一种模态的高分辨率信息。结果表明，即使输入数据具有明显的空间尺度差异，CORAL仍能够较准确地识别组织空间区域，其表现与使用完整高分辨率数据的SpatialGlue相当，并优于多种其他比较方法。随后，研究人员利用小鼠初级运动皮层MERFISH数据构建具有明确组织分层结构的模拟数据，并通过降低细胞分辨率和减少检测基因数量，模拟不同空间组学技术的测量限制。

在不同基因检测面板大小下，CORAL均保持较好的空间区域识别性能。通过解卷积获得的单细胞分子表达谱与原始高分辨率表达数据具有较高相关性，并在细胞亚型区分方面优于SpatialScope。研究进一步发现，CORAL重建的分子表征能够更清楚地区分兴奋性神经元、抑制性神经元及非神经元细胞，同时识别不同细胞群之间的空间相互作用。在模拟单细胞RNA和蛋白质组整合任务中，CORAL还成功区分了自然杀伤细胞、CD34阳性细胞以及不同状态的CD4 T细胞。这些细胞群在单独使用任一模态时难以获得同等清晰的空间分离。

这些结果说明，CORAL能够利用不同组学之间的互补信息，在有限空间分辨率和分子检测范围下恢复较为完整的细胞组成和组织结构。研究人员利用小鼠胸腺Stereo-CITE-seq数据开展多模态整合分析。该技术能够同时测量RNA和蛋白质，为检验高分辨率分子信息重建提供了可靠参考。结果显示，单独使用低分辨率RNA或蛋白质数据难以完整区分胸腺的精细组织结构，而CORAL能够恢复清晰的髓质区、被膜下区域以及多层胸腺皮质结构。与其他方法相比，CORAL在空间区域识别和空间连续性方面具有较好表现。

其重建的单细胞RNA表达谱与真实测量结果高度相关，并能够更清楚地区分胸腺中的不同细胞类型。研究人员进一步分析了模型学习的空间潜变量，发现其能够描述从胸腺皮质向髓质及结缔组织区域的连续变化。这一空间梯度伴随着细胞组成及基因表达模式的改变，包括T细胞成熟相关基因表达下降，以及髓质胸腺上皮细胞功能相关基因表达增加。例如，Slc13a3、Alb和Fgf9等基因在空间梯度中表现出明显变化，并与胸腺上皮细胞功能及免疫细胞成熟过程相关。

CORAL还推断出胸腺外层皮质与其他组织区域之间存在较强的细胞相互作用，为研究胸腺内部不同细胞群的组织关系提供了补充信息。这些结果表明，CORAL不仅能够识别离散的组织空间区域，还能够提取与细胞成熟及组织功能相关的连续分子变化。研究人员进一步将CORAL应用于化生性乳腺癌组织，分析肿瘤微环境中不同免疫细胞和基质细胞之间的空间关系。

此前研究利用Visium空间转录组识别了肿瘤内部及周围的不同微环境区域，发现调节性T细胞（Treg）可浸润肿瘤组织，而M2样巨噬细胞、髓源性抑制细胞（MDSC）和癌相关成纤维细胞（CAF）等免疫抑制性细胞群在肿瘤及其周边区域富集。然而，由于Visium的空间分辨率有限，研究人员难以直接分析单细胞尺度的分子状态与细胞通信。 CORAL通过整合Visium和CODEX数据，重建了具有单细胞分辨率的空间转录组，并进一步细化肿瘤组织中的细胞类型注释。

图注意力分析显示，Treg与CAF、增殖性上皮细胞和MDSC之间存在较强的预测相互作用。研究人员进一步利用重建的单细胞基因表达数据开展配体–受体分析，识别出CCL8–CCR1、CCL8–CCR5、JAG2–NOTCH以及FN1–整合素等潜在信号通信通路。这些通路与免疫细胞募集、细胞黏附及肿瘤微环境调节有关，提示不同免疫抑制性细胞群可能通过空间邻近和分子通信共同影响肿瘤微环境。

CORAL由此将传统空间转录组中的细胞组成分析扩展至单细胞分子状态和细胞间相互作用研究，为解析复杂肿瘤组织中的免疫调节网络提供了新的方法。研究人员进一步整合了肾透明细胞癌的空间代谢