一张H&E切片读出三种转录组：多尺度图网络在细胞级PCC与AUROC上超过DeepSpot2Cell
核心概要
空间转录组与单细胞转录组能给出基因表达的空间分布，但每张切片成本高、样本稀少，常规H&E全切片图像却随处可得。一个多尺度图神经网络把TCGA的bulk数据、Visium的空间数据和Xenium的单细胞数据放进同一套训练，用一致性损失约束三个尺度的预测彼此对齐，从而直接从切片图像预测bulk、空间和单细胞三个层次的表达。它在切片级表现最好，斑块级中等，单细胞级最具挑战；在Xenium上细胞级PCC和AUROC高于DeepSpot2Cell，而斑块级指标由后者领先。
深度剖析
同一套模型现在可以只凭一张H&E全切片图像，同时给出整张切片的平均表达、空间位点表达和单细胞表达，而不必分别训练三个模型。 此前的深度学习模型只能从病理切片推断部分基因表达，基因覆盖有限、跨组织泛化弱，重建完整转录组的精度也低；单细胞层面的做法通常把一个位点当作一袋细胞，用多示例学习从位点标签间接学出细胞表达。 在Visium上，整体bulk PCC较强，而斑块级PCC降到中等水平，这一落差与空间转录组本身的预测难度相符；在Xenium上，切片级和斑块级都保持较强预测力，细胞级PCC较小但仍为中等正相关。
模型把组织看成由细胞、斑块、切片三层嵌套的图，让下层信息逐级汇总到上层，并让三个尺度的预测互相约束。 视觉特征由病理基础模型UNI2-h提取，该模型只在通用病理图像上预训练、从未接触空间转录组数据；细胞分割与分类由Classpose完成，分为肿瘤性、结缔、炎症、死亡和上皮五类。 训练数据合并了肺、肾、乳腺三种组织的TCGA、Visium和Xenium样本，采用五折交叉验证并按切片划分，保证测试切片与患者未在训练中出现。
去掉跨尺度一致性损失后，Visium上细胞到斑块的预测一致性从较高水平大幅跌落，说明这一约束是三个尺度保持对齐的关键。 去掉特征重建目标后，Visium斑块级AUROC和显著基因比例都下降；去掉TCGA样本反而提高了Visium和Xenium的bulk PCC，但特征重建质量变差。 这些消融在同一批Visium、Xenium和TCGA队列上比较完整模型与四个变体，指标包括PCC、AUROC、特征余弦相似度和FDR小于0.05的显著基因比例。
启示与展望
已展示的范围是肺、肾、乳腺三种组织的TCGA、Visium与Xenium样本，评估采用五折交叉验证并按切片划分；单细胞预测只能针对Xenium面板中实际测量的基因直接评估，TCGA上的空间预测没有真实空间转录组可对照。
单细胞预测在Xenium上仅为中等相关，且细胞计数稀疏使细胞级图明显更嘈杂；Visium存在较强的切片级批次效应，乳腺队列样本量小导致检验统计功效受限；各模型可用的监督不同，限制了基准比较的结论；TCGA加入训练提升了特征重建却降低了空间数据集上的bulk PCC。