一、引言

随着科技的飞速发展，空间转录组学作为研究组织功能和细胞间通讯机制的重要手段，正逐渐受到广泛关注。然而，在实际应用中，我们面临着空间聚类、多样本整合和细胞类型反卷积这三大核心任务的挑战。这些挑战不仅限制了我们对复杂组织微环境的理解，也制约了相关技术的应用和发展。

二、空间聚类：揭示组织中的高度异质空间邻接关系

在空间转录组学中，空间聚类是至关重要的一步。传统的k-means、Louvain和Seurat等方法虽然能够对基因表达数据进行空间划分，但它们往往忽略了组织中高度异质的空间邻接关系，导致在复杂组织微环境中精度受限。

为了解决这一问题，研究者们开始探索将基因表达、空间坐标和组织学图像等多模态特征相结合的方法。例如，Giotto的HMRF和SpaGCN的图卷积网络就是其中的代表。这些方法通过引入贝叶斯统计或注意力机制来增强特征学习能力，从而提升空间解析能力。然而，由于真实标注数据稀缺，完全依赖监督的方法并不可行。而无监督方法如CCST易产生碎片化结果，自监督方法如SpaceFlow/conST虽通过对比学习改进表示，但仍存在局部空间上下文建模不足的问题。

三、多样本整合：构建空间感知的三维信息

在器官级研究中，由于单个切片在捕获范围上的局限，我们往往需要从多个切片横向拼接（水平整合）或利用相邻连续切片构建三维信息（垂直整合）。然而，目前多数分析框架仍停留在单一切片层面，对于多切片数据的批次效应校正也缺乏空间维度的考量。

现有的scRNA-seq批次校正工具如Harmony、scVI只关注基因表达，不涉及空间关联；而针对空间转录组的多切片分析方法如STAGATE则缺少专门的批次效应去除机制。因此，如何开发兼具空间信息感知和批次校正能力的整合算法，并在同一框架下同时支持水平与垂直多切片整合，已成为空间组学迈向器官级功能解析的迫切需求。

四、细胞类型反卷积：在分辨率与基因覆盖度间寻求平衡

当前的空间转录组技术在分辨率与基因覆盖度之间存在天然取舍。测序类技术如Slide-seq具备高分辨率但数据稀疏，FISH类技术如seqFISH基因覆盖有限。为弥补这一不足，已有方法尝试将scRNA-seq信息整合到ST数据中，以解析其细胞组成，但大多忽视了空间信息且难以达到单细胞级的精细解卷。

另一思路则是将scRNA-seq数据投影到ST切片构建单细胞分辨率的空间图谱，但如何有效对齐不同技术平台的数据并充分利用空间先验依然是技术瓶颈。未来方向或在于结合CARD等空间建模优势与投影类方法的基因覆盖优势，开发兼顾分辨率与覆盖度的融合方案，提高细胞类型解析的精度和空间定位能力。

五、GraphST：统一解决三大核心任务的图对比学习方法

针对上述挑战，本研究提出了基于图自监督对比学习的GraphST方法。它能够在多切片（包括水平与垂直整合）联合分析的过程中，实现空间域划分、批次效应校正与细胞类型反卷积三位一体的整合式计算。

在具体任务中，GraphST展现出了显著的优势。首先，它借助图神经网络将空间邻近关系与基因表达特征有机结合，并创新性地引入两种对比学习范式分别优化空间聚类与细胞反卷积的特征表示。其次，GraphST在跨物种、多器官的多数据集测试中均取得了最佳表现，如在空间域识别上提高13.2%，批次效应去除上优于Seurat v3和Harmony，以及细胞组成解析上相关系数提升5.8%。

最后，GraphST在临床应用方面也展现出巨大潜力。以肿瘤微环境分析为例，GraphST有效揭示了空间异质性及病理分区，尤其利用无监督映射在scRNA-seq与ST之间进行跨模态表型转移，为精准医学研究提供了有力工具。

六、结语

综上所述，GraphST首次将图对比学习全面应用于空间转录组领域，创新性地通过“空间邻域约束”策略实现跨模态数据的对齐与深度去噪，成为目前唯一能够同时完成空间聚类、批次整合与细胞类型反卷积的统一计算平台。其在多数据集和多场景下的突出表现，为未来大规模、多模态的组织研究提供了有力工具，也为后续开发融合多尺度和先验生物知识的半监督或更高级别方法奠定了基础。