PNAS丨SpaDDM：融合空间多组学与扩散模型解析空间模式与信号网络

背景：在生命科学研究迈向多组学时代的背景下，如何在组织空间尺度上整合多种分子信息成为解析复杂生物过程的关键挑战。空间多组学技术的发展使得在同一组织切片中同时测量不同层级的分子信息成为可能，但数据整合仍面临计算挑战。研究目的：为解决空间多组学数据整合的挑战，中山大学孙小强团队联合安徽大学郑春厚团队、武汉科技大学王海云团队提出了一种新型空间多组学整合框架SpaDDM。该框架构建有向图扩散模型，在空间图结构中学习各模态的低维表示，并通过注意力机制实现跨模态融合，以获得空间感知的联合嵌入表示，进而解析空间模式与信号网络。结论：SpaDDM在多个数据集上的评估表明，其在空间域分割任务中显著优于现有方法，其学习得到的联合嵌入表示支持高质量的空间结构识别、空间信号流推断与跨模态翻译分析，为揭示组织内部多层级调控机制提供了新的计算工具。