正文
GASTON如何学习组织切片的拓扑特征
（Credit:
Nature Methods
）
图a描述了GASTON从空间转录组学（Spatially Resolved Transcriptomics, SRT）数据入手，生成组织切片的等深度（Isodepth）图。等深度是一种表示组织拓扑特征的坐标系，它用等值线（灰色）表示等深度的恒定区域，并通过流线展示空间梯度的方向与强度。这一等深度图为后续的空间解析任务提供了基础。
图b展示了GASTON的核心算法：利用深度神经网络（Deep Neural Network, DNN）预测空间坐标与基因表达之间的关系。在训练好的神经网络中，等深度被定义为一个可解释的隐藏层值，这使得GASTON不仅具备预测能力，还能以直观方式展示组织内基因表达的空间分布。
图c展示了等深度如何帮助识别组织内的空间域（Spatial Domains）。这些空间域是由不同的细胞类型组成的区域，每个区域的基因表达模式具有显著差异。通过等深度的解析，GASTON能够精确划分这些区域。
图d进一步展示了GASTON的能力，它可以识别基因表达随等深度的连续梯度变化（如渐变趋势），以及基因表达在等深度上的离散跳跃（如表达分界）。这使得GASTON能够全面解析组织中的基因表达特征。
图e描述了GASTON如何基于等深度模型，解析细胞类型组成在组织切片中的变化规律。这种能力对于研究组织功能及病理状态具有重要意义。
图f展示了GASTON在肿瘤微环境（TME）中的应用，它可以解析基因表达梯度的空间分布，帮助研究肿瘤细胞和其周围环境之间的复杂关系。
小鼠大脑皮层是一种高度结构化的组织，具有明显的层次化分区。每一层不仅在解剖学上有所不同，其基因表达模式也呈现出特定的空间特征。例如，小脑皮层分为髓鞘层、颗粒层和Purkinje-Bergmann层等，每一层次中的细胞类型、功能和基因表达都有明显的差异，这种空间分布是大脑功能精细调控的基础。然而，传统的实验方法往往依赖于组织切片的物理染色或显微成像，难以从整体上解析基因表达的空间分布，尤其是对于稀疏表达或弱表达的基因。
空间转录组学为研究大脑皮层的分层提供了全新的视角。然而，由于基因表达数据稀疏且复杂，许多传统分析方法无法有效区分连续变化的基因表达梯度与不同层之间的离散分界。
在小鼠大脑实验中，GASTON通过其创新性的“等深度”模型，成功解析了大脑皮层中基因表达的连续梯度和离散变化。这一过程的关键在于GASTON算法将基因表达建模为等深度的函数，并通过无监督学习自动生成等深度等值线。每条等值线代表组织中基因表达的特定水平，从而使研究人员能够准确分辨不同层次之间的边界。
在实验中，GASTON分析了9,985个空间点的23,096个基因表达数据。结果显示，GASTON重建的等深度模型不仅清晰地划分了髓鞘层、颗粒层、Purkinje-Bergmann层和分子层，还揭示了每一层内基因表达的细微梯度。例如，颗粒层中的特定神经元亚型表达了标志基因Dclk1，GASTON能够捕捉其沿组织深度的连续变化，并清晰地展示出其从靠近髓鞘层到Purkinje-Bergmann层逐渐减弱的梯度分布。
更重要的是，GASTON不仅能解析显著表达基因，还能挖掘低表达基因的空间模式。例如，在Purkinje-Bergmann层中，标志基因Sbk1的稀疏表达长期被忽视，而GASTON通过其强大的数据整合能力，准确重建了该基因的表达图谱，进一步验证了其在大脑层次化结构中的重要作用。
与传统的空间转录组学分析方法相比，GASTON展示了其独特的优势。传统方法多依赖于硬性聚类或分区算法，难以捕捉连续变化的基因表达梯度。而GASTON不仅能识别离散的空间分区，还能通过等深度模型量化连续梯度，从而全面揭示组织的空间拓扑结构。在小鼠大脑的实验中，GASTON发现了一些标志基因（如Cbln1和Calb2）的表达在Purkinje-Bergmann层与分子层之间逐渐过渡，这种变化在传统方法中通常被误认为是随机噪声。
此外，GASTON在准确性上的表现也远超传统方法。在与人工标注的解剖分区进行对比时，GASTON的分层结果与实验数据的匹配率高达96%，而传统方法仅为80%左右。这一结果表明，GASTON不仅能更细致地解析空间结构，还能为低表达基因提供可信的空间图谱。
通过GASTON对小鼠大脑的成功应用，研究人员首次实现了对复杂组织的高分辨率空间解析。这一成果不仅揭示了大脑皮层的基因表达奥秘，更为理解其他复杂组织（如肿瘤或发育过程中的器官）提供了全新视角，也预示着空间转录组学未来的无限潜力。
