摘要
空间多组学数据可在保留细胞空间结构的同时，整合多种分子谱信息，是解析组织分子特征的强大工具。但不同模态间固有的数据质量与噪声水平差异，严重制约了数据的精准整合与分析。本文提出CANDIES框架，结合条件扩散模型与对比学习，实现空间多组学数据的高效去噪与整合。该框架凭借创新的模型与算法设计，既能提升空间多组学数据质量，又可生成统一、全面的联合表征，支撑多种下游生物学分析。研究在模拟数据集与6类真实数据集上开展了充分验证，包括小鼠脑MISAR-seq数据、人体皮肤活检组织空间CITE-seq数据、小鼠胚胎空间Mux-seq与空间ATAC-RNA-seq数据、人体淋巴结10× Visium数据。CANDIES在去噪、空间域识别、时空轨迹重构、复杂人类性状空间关联映射等下游任务中性能优异。此外，CANDIES生成的表征可与全基因组关联研究（GWAS）数据结合，建立空间域与复杂人类性状的关联，为相关组织中复杂性状提供空间解析视角。
mingxcai@cityu.edu.hk
hmcai@scut.edu.cn
#复杂性状 #扩散模型 #多组学整合 #空间转录组学
结果
CANDIES模型概述
图1 CANDIES模型框架
(a) CANDIES去噪阶段：基于空间坐标通过k近邻（KNN）算法构建空间图，对空间图应用图自编码器（GAE）并结合各模态特征，生成各模态低维嵌入以支撑去噪模型训练；采用基于扩散 Transformer（DiT）的条件扩散模型，利用低质量模态与高质量模态嵌入的空间依赖关系，增强低质量模态嵌入；最终将去噪后的低质量模态嵌入解码回原始数据空间。
(b) CANDIES整合阶段：对每个组学模态，基于空间邻近图与特征相似图应用双图卷积网络（GCN），将去噪后的空间多组学数据编码至隐空间；通过对比学习实现跨模态嵌入对齐，再通过注意力机制动态整合空间图与特征图，在保留细胞异质性的同时平衡空间结构与分子特征信息。
(c) CANDIES支持4类下游分析：去噪、空间域识别、伪时空图谱（pSM）构建、复杂性状-空间域关联映射。
CANDIES通过模拟空间多组学数据去噪提升空间域分割效果
图2 CANDIES在模拟空间多组学数
