腫瘤 等復雜疾病 組織的研究一直是生命科學領域的熱點和難點。傳統的空間轉錄組學方法在處理 復雜疾病 樣本時面臨 著 諸多挑戰，如復雜的區域邊界、不均勻的細胞密度以及高度的細胞異質性等。這些因素不僅影響背景信號的識別，還可能導致空間結構誤判，阻礙對復雜病理的深入理解。

近日， C e ll Genomics 在線發表了 西安交通大學 葉凱 教授 團隊題為 STMiner: Gene-centric spatial transcriptomics for deciphering tumor tissues 的 研究成果，開發出名為STMiner的空間組學算法，該算法將空間組學數據中離散采樣點轉化為空間上的連續分布，并基于最優傳輸理論準確識別了在組織中存在區域性特異表達的基因集，以及這些基因集的空間表達模式，可以實現對復雜疾病組織的空間組學數據進行高效，準確的分析。

相比于基于采樣點進行計算的策略 ， STMiner另辟蹊徑，采取了以基因為中心的計算策略，將每個基因的空間分布作為最基本的計算單元，通過最優傳輸計算基因和采樣背景，基因和基因之間的空間表達差異。 通過與現有方法 在真實數據和模擬數據上 的大規?；鶞蕼y試 表明 ，STMiner 從 疾病組織 的空間轉錄組數據 中識別 的空間變異基因 （spatial variable genes） 具有最強的空間特異性，并且假陽性率最低。

基于這種策略 ，STMiner從黑色素瘤的空間轉錄組數據中識別出了關鍵的基因集，并刻畫了其空間表達模式，同時，STMiner識別出了腫瘤組織對周邊正常組織的浸潤區域。在肝癌樣本中，STMiner通過 其度量基因空間分布相似性的能力， 鑒別出了不同肝癌樣本在三級淋巴結構中特異性表達的基因集，并通過 這些基因集刻畫了肝癌樣本之間的異質性。

STMiner 的出現， 為分析復雜空間組學數據提供了一種新的思路，即將 基因 的 空間分布作為特征進行計算 。 該策略不僅可用于分析空間轉錄組學數據，同時也可以擴展到其他空間組學數據中，實現基于空間分布，在不同組學，不同模態間進行計算。

西安交通大學電信學部 博士研究生孫培森為該論文第一作者，葉凱教授為該論文通訊作者。

文章鏈接：https://www.cell.com/cell-genomics/fulltext/S2666-979X(25)00027-8

制版人：十一

BioArt

Med

Plants

人才招聘

會議資訊

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。