这篇发表在 Nature Genetics 的研究，提出了一套基于深度生成模型的计算框架 CORAL，专门解决多尺度、多模态空间组学数据很难合并分析的痛点，现在空间组学仪器很多，有的分辨率高但测的分子种类少，有的覆盖基因多但是分辨率偏低，还有转录组、蛋白、表观、病理图像等不同模态的数据混在一起，传统整合算法很难对齐、校正批次差异，而这个深度生成模型借助图注意力机制，把不同分辨率、不同类型的空间组学数据映射到统一的隐空间，既能保留各自独有的生物学信号，又可以跨尺度融合，还支持空间域识别、可变基因挖掘、细胞互作推断、缺失模态补全，给绘制高精度组织图谱、解析肿瘤和发育组织微环境提供了新工具。
现有空间组学整合的难点
- 尺度不一致：高分辨率单细胞数据、低分辨率大视野 spot 数据，空间颗粒度差别巨大；
- 模态异构：转录组、蛋白、染色质开放、组蛋白修饰、病理图像，数据分布完全不一样；
- 批次效应：不同实验平台、不同样本、不同测序批次带来技术噪声，容易掩盖真实生物学差异；
- 模态缺失：很多样本只能测其中一部分组学，无法直接拿到全套多模态信息。
CORAL 深度生成模型核心流程
- 多模态编码器：对转录、蛋白、表观、图像各个模态分别编码，提取模态专属特征；
- 跨尺度图注意力聚合：利用空间邻接关系，在不同分辨率层级之间传递信息，打通粗尺度和细尺度特征；
- 概率生成建模：构建统一隐空间，学习组织区域的底层生物学表征，做批次校正；
- 下游任务解码器：根据学习到的表征，完成空间分区、高分辨率分子预测、缺失模态插补、空间可变基因检测；
- 验证与基准测试：在模拟数据集和脑、胚胎、免疫组织等真实组织数据集上和主流方法对比，验证效果。
模型主要适用任务清单
✅ 跨平台、跨分辨率空间组学数据融合
✅ 识别组织内部连续的空间功能区域（空间域）
✅ 预测更高分辨率的分子表达图谱
✅ 检测空间可变基因、空间调控信号
✅ 推断细胞之间的局部互作关系
✅ 补全样本里没有实测的组学模态信息
和传统整合方法对比
| 对比项 | 传统多组学整合方法 | CORAL 深度生成模型 |
|---|---|---|
| 跨尺度能力 | 大多固定单一分辨率，很难混用高低分辨率数据 | 原生支持多尺度联合建模，图注意力跨尺度传递信息 |
| 模态处理 | 适合少量模态，异构模态适配弱 | 兼容转录、蛋白、表观、图像等多种模态 |
| 缺失模态 | 一般不支持精准插补 | 概率生成框架可预测未检测的分子信息 |
| 批次校正 | 校正容易丢失生物学信号 | 在统一隐空间里做校正，保留真实异质性 |
| 输出形式 | 聚类标签、联合嵌入向量 | 可生成完整分子分布，带不确定性估计 |
总的来说，这篇 Nat. Genet. 工作的核心创新，就是用概率深度生成 + 图注意力的思路，打破了不同仪器、不同分辨率、不同组学类型之间的数据壁垒，不用强行把所有样本统一成一样的分辨率，就能融合多源空间组学数据，帮助科研人员更完整解析组织的空间结构和分子调控规律。
【相关 FAQ】
问题 1：Nat. Genet. 这篇基于深度生成模型的多尺度多模态空间组学整合论文，提出的模型叫什么？
回答 1：Nat. Genet. 这篇基于深度生成模型的多尺度多模态空间组学整合论文提出的模型是 CORAL，全称 Cross-scale spatial Omics Registration and Analysis via graph Learning，是概率深度生成模型。
问题 2：Nat. Genet. 这篇基于深度生成模型的多尺度多模态空间组学整合，主要解决什么科研痛点？
回答 2：Nat. Genet. 这篇基于深度生成模型的多尺度多模态空间组学整合，主要解决不同分辨率、不同组学模态、不同实验批次空间组学数据难以对齐融合、模态缺失、跨尺度信息没法联合分析的痛点。
问题 3：Nat. Genet. 这篇基于深度生成模型的多尺度多模态空间组学整合，能不能用来做缺失模态补全？
回答 3：Nat. Genet. 这篇基于深度生成模型的多尺度多模态空间组学整合，依托概率深度生成框架，支持对样本里没有实测的组学模态进行插补预测。
问题 4：Nat. Genet. 这篇基于深度生成模型的多尺度多模态空间组学整合，适合哪些组织研究方向？
回答 4：Nat. Genet. 这篇基于深度生成模型的多尺度多模态空间组学整合，适合胚胎发育、大脑分区、淋巴结、扁桃体免疫组织、肿瘤微环境等需要空间图谱解析的研究。
【参考资料】
[2026-11-05]（Deep Generative Model Integrates Multiscale Spatial Omics Across Diverse Tissues）BIOENGINEER.ORG
[2026-05-07]（New Tool Collects Biology Data into Cellular Atlases）Northwestern University Feinberg School of Medicine News Center
[2026-04-24]（Nat Genet：中南大学李敏等团队开发新的工具，精准整合空间多组学数据碎片，并能推理补全缺失信息）生物谷
[2025-07-22]（Spatia: Multimodal Generation and Prediction of Spatial Cell Phenotypes）arXiv
[2024-08-02]（Tissue characterization at an enhanced resolution across spatial omics platforms with deep generative model）Nature Communications
【免责声明】
本文仅为该 Nat. Genet. 论文的科普解读，基于深度生成模型的多尺度多模态空间组学整合方法属于科研工具，需要专业生信人员在合适数据集上完成参数调试；该模型效果受样本质量、测序平台、组织类型影响，不保证在所有数据集上优于其他算法；本文不构成实验方案、数据分析流程的直接指导，相关科研使用请阅读原文、参考官方代码仓库。