在生物医学研究领域，空间多组技术的快速发展给疾病的诊断和治疗带来了前所未有的机遇。空间转录组技术可以准确绘制组织中的基因表达空间图谱，揭示肿瘤异质等关键特征;数字病理图像分析提供了组织形态学的全景视角，为疾病诊断提供了黄金标准。然而，这些多模态数据之间存在尺度差异和复杂的联系，传统的分析方法很难深入挖掘其协同价值。

针对这一挑战，西南华大生命科学研究所的研究团队和合作伙伴在《生物信息学简报》上联合发表了一篇名为StereoMM的创新算法。该方法通过深度学习框架创造性地完成了转录组数据与病理特征的结合，完成了对空间域的准确识别，并在患者分类任务中表现出良好的判别性能。这一进展有望为医学研究领域带来新的概率，如肿瘤精确治疗。

StereoMM基于深度学习技术的关键框架由交叉注意模块和变分图自编码器模块两个主要模块组成。交叉注意模块可以通过考虑空间的长距离关系来捕捉不同模式之间的长距离相似性，这对识别非相邻但有重要影响的方法和相互作用具有重要意义。变分图自编码器模块用于整合空间坐标信息和多模态数据，并在自监管模式下进行训练，无需依靠标记数据。

总的来说，这种算法不仅考虑了空间邻居关系，还实现了长距离多模式特征的交互结合。最后，低维多模式特征表示基因表达、细胞形态和空间定位信息的结合，可以充分表达细胞组织特征，揭示复杂的生物功能，支持后续临床分析，包括患者的准确分类。

研究小组通过验证发现，StereoMM可以准确识别与病理注解高度一致的空间区域，以及传统方法可能遗漏的肿瘤区域，如肺癌、乳腺癌和结直肠癌。在结直肠癌样本中，StereoMM识别了一些延伸到基质区域的肿瘤区域，在细胞形态和基因表达上与周围基质有显著差异。通过分析这些区域的基因表达，研究人员发现了与肿瘤入侵和免疫抑制相关的基因表达方式。

在临床治疗方面，研究小组使用StereoMM对结直肠癌患者进行分类，成功区分了错配修复缺陷和错配修复正常患者。结果表明，这种基于多模态数据的患者分类方法为精准医疗提供了新的工具。StereoMM可以将组织水平的微环境关系整合为全面的患者，提高患者分类的准确性，为临床提供更合理有效的治疗方法。

文章第一作者、西南华大生命科学研究院助理研究员罗冰莹表示:“借助空间转录组信息和病理图像信息，开发的新算法在分析肿瘤进展、微环境挖掘和患者分析方面取得了初步成效，这意味着多模态数据整合技术的重要进步。随着空间组技术的不断进步，StereoMM有望在更多的疾病研究和治疗中发挥重要作用。”