空间转录组不再只切一个尺度：低通滤波一次给出细胞、微环境和组织域三层视图

同一份空间转录组数据现在可以一次读出细胞、微环境和组织域三个尺度的空间分子特征，而不必为每个尺度单独建模。 此前的分析通常把任务固定在单一尺度上，细胞分型、微环境刻画和组织域划分各自独立处理。 在阿尔茨海默病数据中，疾病进展相关信号出现在特定尺度上；在肿瘤微环境数据中，识别出依赖空间环境的细胞亚型，并在癌症中揭示空间异质的微环境。

多尺度特征来自对细胞图施加一族低通滤波器，滤波器让空间上平滑变化的分子信号通过、压制剧烈起伏的成分。 这类谱图滤波以热核形式实现，尺度参数控制信号在图上扩散的时间，从而对应不同的有效扩散距离。 关键尺度由切分跨尺度相似图自动确定，并在 Xenium、CosMx SMI、MERFISH、STARmap、Stereo-seq 与 Visium HD 等多套小鼠脑和肿瘤数据集上分析。

单尺度任务上的表现与现有方法相当或更好，同时计算效率更高、硬件要求更低。 多尺度分析往往伴随更高的算力与内存负担。 在细胞数从约五万到超过一百万的九套数据集上测量运行时间与峰值内存，其中一套超过 110 万细胞的数据集超出笔记本内存容量而失败。

报道覆盖的是空间转录组数据的多尺度特征提取与关键尺度识别，适用于单细胞分辨率成像平台和测序平台产生的组织切片数据。演示场景包括阿尔茨海默病模型、肿瘤微环境与多种小鼠脑数据集，单尺度任务上与现有方法比较。方法以 Python 包和教程形式发布，代码与处理数据可通过 Zenodo 获取。

关键尺度的自动识别依赖跨尺度相似图的分块划分，分块数由肘部法确定。在超过 110 万细胞的数据集上，笔记本因内存溢出而无法完成分析。多尺度结果与单尺度方法的比较为相当或更优，而非在所有任务上一致领先。