(3D) 结构。然而，当需要使用最先进的工具包联合分析多个组织切片时，这种分析可能会很困难。对于研究人员来说，手动组装切片并构建 3D 结构具有挑战性。

为了解决这个问题，中国科学院科技大学曲昆教授领导的研究团队开发了一种新的深度学习空间建筑表征(SPACEL)。SPACEL通过Spoint、Splane和Scube三个模块自动构建组织的3D全景图。

他们的研究成果发表在《自然通讯》上。

这三个模块专为 ST 分析中的三个主要任务而设计。Sprint 可以执行细胞类型反卷积来预测细胞类型的空间分布。模拟伪点、神经网络建模和表达谱的统计恢复相结合，确保了预测的稳健性和准确性。

Splane 采用图卷积网络方法和对抗性学习算法，通过联合分析多个 ST 切片来识别特殊域，而 Scube 自动对齐切片并构建组织的堆叠 3D架构。通过三个模块，根据原始数据构建组织的 3D 架构。

研究人员将 SPACEL 应用于 11 个 ST 数据集，总计 156 个切片，过程中涉及了 10X Visium、STARmap、MERFISH、Stereo-seq 和 Spatial Transcriptomics 等技术;SPACEL 在三个核心分析任务中展示了其优于其他细胞类型反卷积的性能：预测细胞类型分布、识别空间域和重建三维组织结构。

这项研究为 ST 数据处理和分析提供了一个有价值的集成工具包，有利于利用 ST 技术进行进一步的研究。