空间多组学整合与注释合成一步：DIRAC把跨模态、跨数据集对齐放进同一框架，还补出胶质瘤血管增生域
核心概要
空间多组学数据既要合并同一组织切片上的RNA、蛋白等不同分子层，又要把参考数据集的细胞类型标签迁移到新样本上，此前这两件事由不同方法分别处理。DIRAC把两者统一为域适应问题，用图神经网络加对抗判别器学习对批次和模态不敏感、但对细胞类型有区分度的嵌入。在模拟数据和真实DBiT-seq数据上，它的域恢复与混合指标优于对照方法，并在胶质瘤组织中识别出其他方法漏掉的微血管增生域。
深度剖析
空间多组学分析中原本分开处理的两件事——把同一组织切片的多个分子层合成一个嵌入，以及把带标签的参考数据集注释迁移到新的空间数据——现在由同一个模型完成。 此前的垂直整合方法来自单细胞多组学，不考虑空间位置；两个考虑空间的方法没有显式校正组学层之间的批次效应，其中一个的内存占用还随细胞或位点数平方增长。水平注释方法则多为单细胞设计，忽略空间邻域，唯一利用空间信息的方法只支持单模态。 在NSF模拟的三模态结构化数据上，DIRAC的调整兰德指数为0.956 ± 1.64 × 10−3，优于第二名方法；在真实DBiT-seq小鼠E10胚胎数据上，跨十个随机种子，DIRAC在组学混合与生物信号保留两项指标上均显著优于第二名方法。
模型把每个分子层建成以分子特征为节点权重、空间邻近为边权重的图，再用图神经网络聚合每个细胞及其邻居的信息。 核心是一个对抗域判别器：它判断输入来自哪个模态或哪个数据集，梯度反转层则让特征提取器朝“判别不出来”的方向学习，从而保留细胞类型信号、抹去模态与批次差异。 垂直整合一侧另加多模态一致性与最大均值差异损失，把各层映射到同一潜空间；水平整合一侧用伪标签对齐迭代校准参考与查询的类别分布，并把完整图拆成稠密子图训练，以支撑百万级细胞规模。
在真实组织上，这套整合给出了其他方法没有给出的空间域。 在10x Visium胶质瘤切片上，DIRAC注释出九个空间生态位，其中C1被标为微血管增生域，并由CD31与αSMA信号以及Tangram反卷积中偏高的内皮与壁细胞评分支持；MaxFuse与SpatialGLUE的域跨越肿瘤与正常区边界，MISO的域则碎片化。 在重度阿尔茨海默病前额叶皮层的Stereo-seq数据上，DIRAC仍能分辨各皮层，包括第2层和第4层，而SCC无法分辨第2、3层，Seurat在对照与中度病例中无法分辨第4层；病理学家对H&E切片的独立注释与DIRAC一致。
启示与展望
已展示的范围包括模拟数据、真实DBiT-seq小鼠胚胎数据、胶质瘤与阿尔茨海默病脑组织、小鼠胚胎seqFISH与Stereo-seq数据，以及自产的小鼠胸腺与脾脏Stereo-CITE-seq数据；细胞类型注释依赖外部参考数据集，方法运行在细胞级分辨的数据上。
细胞类型注释依赖外部参考；分割误差可能影响注释，作者提出未来可用水平整合迭代改进细胞分割。作者还指出，边界平滑度指标在解读时需谨慎，因为它未必反映多组学整合性能。