封面文章

近日，数学科学学院与统计科学中心席瑞斌教授团队在《自然-细胞生物学》（Nature Cell Biology）上发表重要研究成果。该研究针对空间转录组数据在空间分辨率受限、技术噪声较大以及跨切片、跨样本联合建模困难等关键挑战，提出了一种全新的、可解释的多模态空间转录组降维分析框架——SpaHDmap（Spatial High-Definition embedding mapping）。该方法通过融合空间转录组基因表达数据与高分辨率组织学图像信息，构建了具有明确生物学可解释性的高分辨基因表达嵌入表示，有助于解析以往因分辨率和噪声限制而难以识别的精细组织结构与空间生物过程。SpaHDmap在提升空间解析精度的同时，支持多张组织切片的联合推断，兼容多种组织学图像类型和空间转录组测序平台，实现了跨切片、跨样本的一致建模。

论文截图

该研究同时以Research Briefing的形式被单独报道，并附编辑和领域专家的评论。Research Briefing是Nature Cell Biology杂志专门用于报道近期相关领域取得重要研究进展的模块。

报道截图

研究背景：空间转录组的“看得见”与“看得清”

空间转录组技术（Spatial Transcriptomics, ST）能够在组织切片中同时获取基因表达信息与空间位置信息，为解析组织结构、细胞互作和微环境提供了革命性手段，近年来在肿瘤生物学、神经科学和发育生物学等领域展现出广泛应用前景。然而，现有空间转录组技术仍面临多重挑战：空间分辨率有限，单个测序单元往往覆盖多个细胞，导致空间信号“模糊”；高维、高噪声、严重稀疏性，限制了精细结构和生物过程的稳定识别。

与此同时，高分辨率组织学图像能够清晰呈现组织结构和空间层次信息，但缺乏直接的分子层面解释。如何在保证统计稳健性的前提下，将组织学图像所蕴含的高分辨空间结构信息与空间转录组的高维基因表达数据有效融合，从而在更高空间分辨率下刻画具有生物学可解释性的基因表达格局，进而揭示精细组织结构及其潜在空间生物过程，已成为当前空间组学研究中的关键科学问题和方法学瓶颈。

方法创新：SpaHDmap 打通“基因-图像-空间”三重信息

针对上述挑战，研究团队提出了SpaHDmap——一种可解释的多模态降维分析框架。该方法以空间转录组基因表达数据为核心，引入高分辨率组织学图像信息，在统一模型中进行联合建模，通过多模态约束将低分辨率、噪声较高的空间转录组数据映射到高分辨率、具有生物学意义的空间嵌入表示中。

该方法的主要特点包括：可解释的低维表示构建，每一维嵌入均可追溯至特定的基因模式和空间结构；多模态信息协同建模，融合组织学图像中的空间纹理与结构信息，提升空间解析精度；稳定的高分辨空间重建，在保证模型稳健性的同时，实现空间信号的高分辨表达。

与传统黑箱式降维模型不同，SpaHDmap的降维结果不仅具有良好的高分辨率分析性能，还具备明确的生物学可解释性，有助于研究者从中提取可验证的生物学假设，特别适用于肿瘤微环境分区、免疫细胞空间组织等研究场景。此外，该方法还支持多张组织切片的联合分析，可用于不同样本或不同患者之间的空间比较。

SpaHDmap概述

广泛验证：多数据集、多场景下表现优越

研究团队在26个真实和模拟空间转录组数据集上系统评估了SpaHDmap的性能。结果显示，SpaHDmap在不同平台和不同组织类型中均具有良好的稳定性和通用性；它不仅能够更清晰地恢复已知空间结构，还可揭示传统方法难以捕捉的精细空间异质性；在多切片联合分析场景下，SpaHDmap揭示了跨切片稳定存在的精细空间模式。

这些结果表明，SpaHDmap具有良好的通用性和扩展潜力，能够适配不断发展的空间组学技术体系。

SpaHDmap从成年小鼠脑冠状切片中学习到的高分辨嵌入

此研究成果以题为“The interpretable multimodal dimension reduction framework SpaHDmap enhances resolution in spatial transcriptomics”的长文形式，于2026年1月6日在线发表于Nature Cell Biology。博士毕业生唐俊杰（现于卡耐基梅隆大学从事博士后研究），博士生陈子浩、钱坤为共同第一作者，席瑞斌、席建忠教授和哈尔滨医科大学附属肿瘤医院孟宏学教授为通讯作者。本研究得到了国家自然科学基金、科技部重点研发计划以及中俄数学中心的资助。

席瑞斌，北京大学数学科学学院、统计科学中心研究员，北京大学博雅特聘教授，主持国家杰出青年科学基金项目，曾入选国家海外人才计划青年项目。

席瑞斌课题组长期致力于统计学、机器学习与生物医学（肿瘤及精准医学）的交叉前沿研究，旨在通过开发前沿的统计推断方法与人工智能算法，解析复杂的生物医学大数据。近年来，课题组有60多篇文章发表于Nature，Nature Genetics，Nature Cell Biology，Nature Communications，PNAS，Science Translational Medicine，Genome Biology，NeurIPS，ICML等高水平的学术期刊和会议，累计他引逾万次，自主研发了包括基因组变异检测、单细胞基因融合及空间转录组高分辨解析在内的多项核心算法工具，在第三方评估中表现优异并被广泛使用，同时深入揭示了食管癌、肝癌等肿瘤的分子分型、微环境演化规律及药物响应机制，为肿瘤精准诊疗提供了强有力的统计学理论基础与计算技术支撑。