近日，金凤实验室生信中心团队联合中山大学科研团队，在国际期刊Advanced Science发表了题为“SpaBalance: Balanced Learning for Efficient Spatial Multi-Omics Decoding”的研究论文，提出了一种全新的AI计算框架，用于高效整合空间多组学（spatial multi-omics）数据，有望显著提升组织样本中空间结构和分子调控网络的识别与理解。

近年来，随着空间转录组学、空间蛋白组学、空间表观遗传组学等技术的成熟，研究者可以同时获得组织中不同组学层（如基因表达、蛋白水平、染色质状态等）和它们在空间上的分布信息。这种“多层+空间”数据为揭示细胞类型分布、组织微环境调控、发育/疾病过程等提供了前所未有的视角。然而，要将这些异构组学数据整合起来并保持其空间一致性，面临极大挑战。不同组学之间在数据维度、分布、信号强度上差异巨大，传统整合方法往往难以兼顾共享与特异信号，容易让某一种组学“主导”最终结果，从而掩盖其他模态的重要信息。

为解决上述问题，研究团队开发了SpaBalance，一个面向空间多组学数据的统一整合框架。它的主要创新包括：

• 梯度平衡机制（gradient equilibrium）：在训练过程中，SpaBalance动态调节不同组学之间的学习贡献，不依赖人工设定权重，而是根据不同组学的梯度信息自动“平衡”，有效化解冲突，确保每种组学都能充分学习。

• 双流（dual-stream）特征分解结构：SpaBalance 并行学习“跨组学共享表征（shared representation）”与“组学特异表征（omics-specific features）”，既能捕捉不同组学之间的共性，也保留各自特有信号。

• 空间图+多头注意力机制：结合空间坐标与组学特征，构建空间邻近图（spatial graph），并通过多头attention整合跨组学信息，以兼顾空间邻域关系与分子特征互补。

通过这种设计，SpaBalance将异构组学数据转化为统一且生物学意义明确的低维表征（embedding），可用于空间结构划分、细胞类型识别、差异表达分析等downstream分析。

《Advanced Science》是Wiley出版社旗下的知名开源期刊（影响因子14.1，JCR Q1区），致力于发表材料科学、物理学、化学、医学、生命科学及工程领域具有顶尖水平的基础和应用研究成果，具有较高的国际学术影响力。

点击左下方阅读原文，访问原文链接。

https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202512973