论文标题：SpaIM: single-cell spatial transcriptomics imputation via style transfer
发表平台：Nature Communications (2025)
代码开源：GitHub – QSong-github/SpaIM
研究方向：空间转录组学 (ST)、单细胞 RNA 测序 (scRNA-seq)、数据插补 (Imputation)、风格迁移 (Style Transfer)
1. 研究背景与动机
空间转录组 (ST) 技术虽然揭示了细胞的空间组织结构，但面临着信号稀疏和基因覆盖率受限的巨大挑战。特别是像 NanoString CosMx 这样的基于成像的 ST 平台，虽然具有亚细胞分辨率，但通常只能检测数千个基因，且每个细胞检测到的 mRNA 分子实际数量很低，导致基因表达测量效果不佳。
为了弥补这一缺陷，计算生物学界常利用无空间信息但基因覆盖全面的单细胞 RNA 测序 (scRNA-seq) 数据来增强 ST 数据。现有的主流方法（如 Tangram, gimVI, stDiff 等）大多依赖于局部对齐策略来预测未测量的基因表达。然而，这些方法通常忽略了 ST 数据与 scRNA-seq 数据之间固有的“风格”差异（即测序平台带来的系统性偏差）。
为了打破这一局限，研究团队提出了 SpaIM，这是一个借用计算机视觉领域风格迁移学习 (Style Transfer Learning) 技术的创新模型。
核心创新点：
-
解耦内容与风格：将基因表达数据重新概念化为“与数据集无关的内容 (data-agnostic content)”和“特定于数据集的风格 (data-specific styles)”。
-
递归风格迁移 (ReST)：构建了基于多层递归风格迁移的自动编码器和生成器，实现了特征的逐层提取与融合。
-
强大的泛化能力：在涵盖基于测序和基于成像的 53 个不同 ST 数据集上，全面超越了现有的 12 种先进方法。
2. 方法框图 (Methodology) 深度拆解
结合论文的系统架构图，SpaIM 的核心架构包括一个 ST 自动编码器 (Autoencoder) 和一个 ST 生成器 (Generator)。
2.1 重新定义：内容 (Content) vs. 风格 (Style)
-
内容 (Content)：代表单细胞簇中单基因的表达模式，捕获了 scRNA-seq 和 ST 数据之间的共享信息。
-
风格 (Style)：代表 ST 数据中所有细胞独特的基因表达模式，反映了 ST 与 scRNA-seq 平台之间固有的系统性差异。
2.2 核心模块：递归风格迁移层 (ReST Layer)
-
每一层 ReST 包含三个组件：一个内容编码器、一个风格编码器和一个解码器。
-
它不仅能将内容和风格编码为更新的潜在表示，还能将它们融合以生成重建输出，并实现逐层融合 (layer-wise fusion)。
2.3 双任务协同训练
-
ST 自动编码器：以 scRNA-seq 数据为参考，将输入的 ST 基因表达模式解耦为内容和风格。
-
ST 生成器：从 scRNA-seq 数据中提取内容，并转移从 ST 自动编码器学到的“风格”，从而推断 ST 基因表达。
-
这两个组件共享同一个解码器，并使用基于两种数据共有基因的联合损失函数进行训练。
2.4 损失函数设计
模型的总体损失函数由四个部分组成：
内容损失 (Content loss)：使用均方误差 (MSE) 最小化 ST 和 scRNA-seq 潜在空间中内容特征的差异，确保生成的 ST 数据与真实数据功能一致。
风格损失 (Style loss)：利用 Gram 矩阵表示学习到的风格，并通过 MSE 计算差异，驱动风格迁移。
两个重建损失 (Reconstruction loss)：基于余弦相似度 (Cosine similarity)，分别优化 ST 自动编码器和 ST 生成器的重建精度。
3. 实验设计与结果分析
研究团队在涵盖不同物种、组织和测序平台的 53 个数据集上进行了极其详尽的基准测试。
3.1 乳腺癌切片空间基因插补 (Visium 数据) (Figure 2)
-
任务：使用 Visium 空间数据和 10x Chromium 单细胞数据，评估模型插补未测量基因表达的能力。
-
结果：SpaIM 在 PCC (Pearson 相关系数)、SSIM (结构相似性)、RMSE 等多项指标上均显著优于包含 Tangram, stDiff 在内的 12 种现有方法。
-
下游价值：基于 SpaIM 插补的数据，研究人员成功识别了 33 对强相关的配体-受体 (L-R) 对，而原始数据仅检测到 11 对。其中包含与肿瘤活动密切相关的 VEGFA-ITGB1 和 LTF-TFRC 等关键配对。
3.2 增强差异表达基因 (DEG) 的检测 (CosMx 亚细胞成像数据) (Figure 3)
-
任务：针对基因覆盖度极低的 NanoString CosMx 肺癌数据集，评估插补效果。
-
结果：SpaIM 的 SSIM 中位数达到 0.21，超越 Tangram (0.15) 和 stDiff (0.12)。
-
下游价值：在识别特定细胞类型（如淋巴细胞）的 DEG 时，原始数据仅检测到 59 个，而 SpaIM 增强后显著提升至 92 个。此外，SpaIM 精准地恢复了关键肿瘤标志物（如 KRT5, CD63, MMP9, MALAT1, FOXP3）的真实空间分布模式。
3.3 促进空间域检测 (Spatial Domain Detection) (Figure 4)
-
任务：评估插补后的基因表达数据对细胞类型/空间域划分的准确性。
-
结果：在识别对应不同细胞类型的空间域时，SpaIM 取得了最高的 ARI 分数 (0.50)，能够准确揭示被分散免疫细胞浸润的连续肿瘤区域。相比之下，gimVI (0.25) 和 Tangram (0.16) 经常生成碎片化或混合错误的细胞类型区域。
3.4 精准恢复未测量的细胞特异性标记基因 (Figure 5)
-
任务：评估模型是否能准确预测（插补）出原始 ST 数据中完全缺失、但对区分细胞亚群至关重要的细胞类型标记基因 (Marker Genes)。
-
结果：SpaIM 成功且高度精准地恢复了多种未测量的关键标记基因。例如：内皮细胞的标记基因 MME、淋巴细胞的标记基因 CD1C、髓系细胞的标记基因 DAG1，以及肿瘤特异性基因 MYCN。
-
对比优势：在 UMAP 降维可视化中，SpaIM 插补的这些基因在各自对应的细胞亚群中呈现出完美的特异性高表达。相比之下，Tangram 生成的数据背景噪声极大，甚至在非目标细胞（如将 MME 错误地预测在了非内皮细胞中）出现了混乱的表达分布。这进一步证明了 SpaIM 在恢复细胞异质性方面具有极高的生物学可靠性。
3.5 跨 53 个数据集的超强泛化性 (Figure 6)
-
广度测试：在 28 个基于测序的数据集 (Visium, Slide-seq 等) 和 25 个基于成像的数据集 (MERFISH, seqFISH+ 等) 上进行全面排名比较。
-
结果：SpaIM 始终保持领先，在全部 53 个数据集上的平均 ACC（准确度得分）达到 0.95，远超 Tangram (0.81) 和 stDiff (0.71)，确立了其作为处理多样化 ST 数据集的先进工具地位。
4. 总结与启发
SpaIM 为空间转录组数据增强提供了一个启发性的视角：
降维打击——风格迁移的跨界应用：放弃了传统的“局部对齐”思路，转而借用计算机视觉中的风格迁移技术。
极强的抗噪与泛化能力：由于明确剥离了测序平台带来的技术差异（Style），SpaIM 能够自适应不同平台（测序型 vs 成像型）的特性，在多达 53 个数据集上都保持了卓越且鲁棒的性能。
拓展生物学发现的边界：通过高精度的插补，极大地拓宽了下游分析（如配体-受体推断、差异基因分析）的视野，揭示了原本被低测序深度掩盖的复杂组织架构和细胞功能。
