English从噪声中提炼信号：S3RL如何用超球面原型聚类重塑空间转录组
空间转录组学能在原位映射基因表达，但数据稀疏、技术噪声高、dropout率严重，尤其在肿瘤和神经退行性组织中更为突出。西安交通大学团队提出S3RL——整合SimCLR语义提取、符号边图构建和超球面原型聚类的统一框架，跨5大平台、8种组织实现最高170% ARI提升，更从阿尔茨海默病数据中重建了此前完全不可检测的空间分子梯度。
CORE INNOVATION SimCLR语义提取：从H&E图像中挖掘高级语义特征，作为空间正则化器抑制椒盐碎片化 符号边图：正边连接功能相似但空间遥远的spot，负边分隔相邻但转录不同的区域 超球面原型聚类：动态原型更新确保不同细胞类型在潜在空间形成清晰边界
一、S3RL框架：三模块协同
S3RL采用端到端设计：从原始多模态输入（基因表达+空间坐标+组织学图像）直接到精修的细胞类型注释和增强的空间基因表达谱。三大模块各有不可替代的角色。
模块A：语义信息提取。利用SimCLR对比学习从50μm大小的H&E图像块中提取高级语义特征，构建正/负样本对。这些视觉语义作为"空间正则化器"，防止仅依赖基因表达时的碎片化。 模块B：符号边图构建。突破传统仅依赖物理邻近的图构建方式，引入符号边——正边连接功能相似但空间遥远的spot，负边分隔物理相邻但转录特征不同的区域。 模块C：超球面原型聚类。将低维嵌入映射到单位超球面，与均匀分布的细胞类型原型对齐。动态原型更新确保类内紧凑、类间分离。
二、跨平台跨物种：基准测试全面碾压
S3RL在5大ST平台（10X Visium、Nanostring CosMx、Stereo-seq、STARmap-PLUS、Slide-seqV2）和8种生物系统上系统验证，与10种主流方法对比：
170% Nanostring肺癌ARI提升 26.8% DLPFC脑皮层ARI提升 0.91 单切片最高ARI 3x 比SiGra快3倍
在DLPFC人脑背外侧前额叶皮层12个切片上，S3RL平均ARI=0.65，比所有基线均值提高26.8%，比最强竞争者SiGra高10.2%。配对t检验确认统计学显著。在Nanostring肺癌20个切片上，平均ARI=0.7274，比均值高170.7%，单切片014上ARI高达0.9094。
S3RL增强后的数据在20个肺癌切片中有14个与TCGA bulk RNA-seq的相关性更高，同时保持基因特异性表达边界——不像GraphST那样过度平滑。
三、从噪声中挖掘配体-受体通讯网络
S3RL增强后的数据不仅提升聚类精度，更重要的是恢复了被噪声掩盖的生物学信号。使用CellChat分析细胞间通讯：
人脑皮层：FGFR1/FGFR2层特异性表达更锐利，DLL4-NOTCH4和FGF-FGFR互作信号增强 肺癌微环境：INS-INSR（血管化）、FGF-FGFR（增殖）、EFNB-EPHB（免疫调节）通路更清晰
S3RL还发现了SiGra未检测到的两个肺癌相关L-R对：ANXA1-FPR1（肿瘤免疫逃逸）和OSM-LIFR（STAT3激活与EMT）。共享L-R对452个（vs 446），特异性增强21个（vs 16），同时有效消除假阳性。
四、阿尔茨海默病：斑块周围的空间分子梯度
利用STARmap-PLUS小鼠海马数据集，S3RL系统分析了淀粉样斑块周围的空间分子梯度——这些模式在原始数据中完全无法检测：
关键发现：斑块近端以小胶质细胞活化和炎症为主导，远端维持正常神经元功能——炎症激活与神经功能抑制的空间分离。原始数据仅检出1对共表达基因，S3RL增强后揭示多个功能模块，包括炎症基因与突触基因的负相关（神经-免疫拮抗）。
五、从人到植物：跨物种验证
小鼠脑前部 ARI=0.51，皮层与皮层下区域准确重建 人乳腺癌 ARI=0.67，肿瘤/基质/免疫区有效划分 大豆子叶 11种组织类型精准识别，HD-ZIP/NAC/bZIP转录因子富集 多切片对齐 30%裁剪后仍保持高ARI，优于GraphST等5种方法
在大豆子叶期种子中，S3RL支持了完整的植物功能基因组学分析：CARD去卷积→CELINA空间变异基因鉴定→GO富集（细胞壁组织/半纤维素代谢）→PlantRegMap转录因子调控网络（33个TF）→scATAC-seq表观验证一致。
六、消融实验：每个模块的量化贡献
视觉语义作为空间正则化器防止碎片化，动态原型确保潜在空间类间分离。两者协同才能实现最优性能。
七、总结与展望
S3RL的三大核心贡献： 统一框架：首个整合SimCLR语义提取、符号边图构建和超球面原型聚类的端到端ST分析框架 信号恢复：在AD斑块周围重建此前不可检测的空间分子梯度（Cst3 p=4.2e-14, Gna14 p=4.6e-10） 跨物种适用：从人脑/肺癌/乳腺癌到小鼠脑/海马/嗅球再到大豆种子，5大平台8种组织 对蛋白组学的启示：S3RL"从噪声中恢复生物学信号"的理念与DIA质谱信号去噪需求高度契合；符号边图"功能相似性超越物理邻近"的思路对蛋白质组学空间分析同样具有借鉴价值 一句话总结：当SimCLR视觉语义、符号边图和超球面原型三者联手，S3RL不仅把空间转录组的聚类精度推向新高度，更从噪声中"挖"出了阿尔茨海默病斑块周围此前完全看不见的空间分子梯度。 论文信息 标题：S3RL: Enhancing Spatial Single-Cell Transcriptomics With Separable Representation Learning 期刊：Advanced Science (2026; 13:e16178) DOI：10.1002/advs.202516178
