广州实验室：单细胞与空间组学
摘要
单细胞与空间组学技术实现了细胞和组织层面的高分辨率分子谱分析，彻底革新了生物医学研究，突破了传统批量测序的核心局限，揭示了发育、机体稳态及疾病发生中至关重要的细胞异质性与空间组织结构。高通量、亚细胞水平及多组学检测技术的持续进步，推动该领域向更深层次的机制解析发展。与此同时，生成式人工智能、基础模型等计算方法快速迭代，可高效处理多模态多组学数据。这些技术突破已广泛应用于多种疾病与生物系统研究，助力产生创新性生物医学发现。但技术方法的快速发展，与其在人类生物学和病理机制解析中的系统化应用之间仍存在显著差距。本综述总结了单细胞与空间技术的最新突破，梳理了人工智能驱动方法、基础模型、单细胞及空间多组学整合算法等计算方法；归纳了这些技术在人体各器官系统健康与疾病中的代表性应用，重点阐述其在生物标志物发现、治疗靶点筛选和精准医学中的应用价值；最后探讨了当前领域面临的挑战与未来方向，旨在弥合技术创新与生物医学发现、临床转化之间的鸿沟。本综述为领域内研究人员提供重要参考，为加速单细胞与空间多组学的转化应用提供关键思路。
li_yixue@gzlab.ac.cn
qu_fangfang@gzlab.ac.cn
#人工智能 #基础模型 #多组学整合 #精准医学 #单细胞组学 #空间组学
单细胞与空间多组学：数据类型与技术
空间多组学联合检测
图1单细胞与空间多组学技术全景
沿2大核心轴展示多组学技术的演进路径：从解离的单细胞分析转向原位组织分析、从单组学检测升级为多组学整合分析。4个象限将技术划分为单细胞单组学、单细胞多组学、空间单组学、空间多组学4大类。内环展示基因组、表观基因组、转录组、蛋白质组、代谢组5大核心分子层面，中心体现从细胞分类到系统层面解析的理念转变。外侧标注了代表性基础技术，以及2023-2025年旨在突破技术瓶颈、提升分辨率的最新突破性技术。
图2单细胞与空间多组学从生物样本到生物学解析的完整流程
展示单细胞与空间多组学的全分析流程，起始于生物样本（解离的单细胞或完整组织）。通过多组学技术对基因组、表观基因组、转录组、蛋白质组、代谢组等分子层面进行检测，生成高维度数据；数据经复杂的计算整合后，可挖掘关键生物学信息，包括复杂生物系统中的克隆异质性、细胞身份、空间结构及功能动态变化。
单细胞与空间多组学分析：算法、人工智能方法与基础模型
单细胞与空间多组学基础模型
图3基于人工智能的单细胞与空间多组学分析算法
现有基于人工智能的算法按功能分为6类：
(1) 数据降噪与插补：部分算法直接对单细胞多组学数据降噪，另一部分可通过其他类型单细胞多组学数据完成插补；
(2) 降维与聚类：自编码器通过学习单细胞/空间多组学的潜在表征，助力细胞亚型分型或空间区域识别；
(3) 多组学整合与推断：多模态自编码器实现多组学整合，挖掘跨模态互作关系；
(4) 跨模态整合与推断：结合图神经网络与组织病理图像分析空间多组学，提升空间区域识别效果；Transformer可实现从组织病理图像到空间多组学的跨模态推断；
(5) 表型预测：Transformer将单细胞多组学与临床表型关联，筛选表型特异性细胞亚群；
(6) 基础模型：基于大规模单细胞/空间多组学数据构建基础模型，通过预训练-微调范式完成多种下游分析任务。
表1 单细胞与空间多组学分析算法
汇总了单细胞基因组、转录组、表观基因组、蛋白质组、代谢组，空间基因组、转录组、蛋白质组、代谢组，以及多组学整合、跨模态整合相关的算法/模型，涵盖分析类型、组学类型、架构/方法、发表年份、应用/功能。
表2 单细胞与空间多组学分析基础模型
汇总了各类单细胞与空间多组学基础模型，涵盖模型名称、发表期刊、时间、数据规模、组学类型、核心功能及参考文献。
单细胞与空间多组学在人体生物学与疾病中的应用
治疗研发、药物发现与临床试验
图4单细胞与空间多组学分析在生物学与疾病中的应用
单细胞与空间多组学分析在生物学与疾病中的应用分为3类：图谱驱动型、算法驱动型、临床驱动型。在物种、器官、疾病水平构建图谱，为生物医学研究提供基础参考；开发面向生物医学问题的专用算法，实现人工智能驱动的生物医学发现；基于临床需求开展分析，助力生物标志物发现、疾病分型、药物研发，部分成果已通过临床前实验与临床试验验证。
表3 全身各器官系统单细胞/空间图谱精选
注释a：部分图谱根据对应文献描述命名；表格汇总了全身各器官系统的物种/器官/疾病水平单细胞与空间图谱信息。
表4单细胞与空间多组学临床转化核心发现
按自身免疫病、癌症、心血管疾病、感染性疾病、其他疾病分类，汇总了各类疾病中基于单细胞与空间多组学的生物标志物、疾病分型、治疗靶点/验证等核心发现。
表5单细胞与空间多组学在临床前动物实验与临床试验中的应用
按临床试验、临床前实验分类，汇总了试验编号、分期、状态、疾病类型、测序技术、治疗/诊断方法、作用机制及参考文献。
详细总结
思维导图（mindmap）
核心代表算法
参考
MedComm (2020). 2026 Apr 6;7(4):e70713. doi: 10.1002/mco2.70713.
Single-Cell and Spatial Omics: Methods and Applications
260406SingleCell_Spatial.pdf
注：AI辅助创作，如有错误欢迎指出。内容仅供参考，不构成任何建议。