1637-SCIGMA：可扩展且具不确定性感知的空间多组学集成分析框架

这篇文章介绍了一种名为 SCIGMA 的创新深度学习框架，旨在整合复杂的空间多组学数据。该方法通过图神经网络和不确定性感知对比学习，能够同时处理来自同一组织的转录组、蛋白质组和表观组等多维信息。相较于传统手段，SCIGMA 在保持各模态独特信号的同时，显著提升了空间区域检测的准确性与跨样本的可重复性。其具备强大的可扩展性，可高效分析包含超过百万个空间位点的大规模数据集。此外，该框架引入的不确定性量化功能，为识别生物异质性和技术噪声提供了重要的解释工具。总之，SCIGMA 为理解复杂的组织结构和细胞间相互作用提供了一个高效、灵活且面向未来的计算方案。References:Chang S, Fleischmann A, Ma Y. Scalable, generalizable and uncertainty-aware integration of spatial multiomics across diverse modalities and platforms with SCIGMA[J]. Nature Genetics, 2026: 1-19.前往小宇宙评论区与主播互动