SCIGMA：可扩展的空间多组学图表示学习

研究问题

配对空间多组学的困难不只是不同模态量纲不同。每种模态还具有不同的稀疏性、噪声结构和有效特征数；同时，空间邻近并不保证分子状态相似，远距离位置也可能属于同一组织结构。一个可用的整合方法需要同时保留空间局部关系、模态内相似性和模态间共享信息。

SCIGMA 的目标是学习每个空间位置的联合低维表示，用于空间域识别、轨迹分析、去噪和模态重构，并为每个位置输出跨模态整合难度。

模型结构

设第 $m$ 个模态的特征矩阵为 $X^{(m)}$ 。SCIGMA 为每个模态构建两类图：

空间图 $A_{\mathrm{sp}}$ ：由组织坐标的近邻关系得到；
特征图 $A_{\mathrm{feat}}^{(m)}$ ：由该模态的表达、可及性、蛋白或图像特征近邻得到。

论文把两类边取并集，形成模态特异的组合图 $A^{(m)}$ 。图注意力编码器计算

Z^{(m)}=\operatorname{GAT}_{m}\!\left(X^{(m)},A^{(m)}\right),

其中邻居贡献由数据驱动的 attention weight 决定，而不是固定平均。这样可以降低普通 GCN 在高连接图中产生的 over-smoothing。

随后，跨模态 attention 根据每个位置上不同模态的表示生成联合表示 $Z$ 。各模态还配有 GAT decoder，从 $Z^{(m)}$ 或联合表示重构原始特征，以避免嵌入只对空间聚类有效、却丢失模态信息。

不确定性感知的对比学习

常规对比学习会强制同一空间位置在不同模态中的表示接近。对真实组织而言，这一约束不总是合理：RNA 与染色质、蛋白或代谢物可能具有不同时间尺度，也可能因技术质量差异而不一致。

SCIGMA 在位置层面学习 uncertainty parameter $\tau_i$ ，用它调节位置 $i$ 的跨模态对齐强度。直观上：

$\tau_i$ 较低时，模型认为各模态应能较好对齐；
$\tau_i$ 较高时，模型允许该位置保留较大的模态差异。

需要谨慎的是， $\tau_i$ 不是“该空间域错误的概率”，也不是带 coverage 保证的置信区间。它反映模型在当前 loss 和数据表示下的对齐困难，可能同时受到真实生物异质性、低测序深度、组织边界和批次伪影影响。

可扩展性

全图 GAT 的内存通常随节点数和边数快速增加。SCIGMA 通过 graph sampling 在每次训练中只加载局部子图，使百万级 Visium HD 或 Xenium Prime 位置可以在单 GPU 上训练。

评价这一点时应区分：

能运行：不发生 CPU 内存或 GPU 显存溢出；
训练速度：每 epoch 和达到收敛所需的 wall-clock time；
统计近似：子图采样是否改变稀有边界区域、长程组织结构和 uncertainty map。

论文证明了可运行规模，但不同采样率下表示与空间域的稳定性仍值得进一步量化。

图注意力与跨模态整合

Figure 1 的关键不是网络层数，而是三条信息流：

模态内信息：每种模态有自己的特征图、GAT encoder 和 decoder；
空间信息：坐标近邻加入每个模态的图；
跨模态信息：attention 与 contrastive objective 只在编码后对齐表示。

这种结构比先把所有特征直接拼接更灵活，但图并集将“空间近邻”和“分子近邻”都表示为边，若没有显式 edge type，模型主要依靠 attention 自行区分两类关系。

Benchmark 与主要结果

作者在 19 个数据集上评估方法，覆盖 8 种模态、10 类组织和 9 个平台。对可由其他方法完成的配对数据，比较内容包括空间域识别、Moran’s I、模态重构、跨运行稳定性和生物标记恢复。ablation study 分别去除空间图、特征图、对比损失、uncertainty，或把 GAT 替换为 GCN，用于判断各模块的贡献。

SCIGMA real-data analysis of paired spatial epigenome and transcriptome in mouse brain — 实证结果**小鼠脑空间 ATAC–RNA 整合（Figure 2）**
先比较联合表示恢复的脑区与组织解剖是否一致，再看 ATAC 与 RNA 各自的标记是否被保留；跨随机运行的稳定性比单次 UMAP 的视觉效果更重要。
Chang, Fleischmann & Ma, Nature Genetics (2026) · 原图未修改 · 原图未修改 · 原文图 · 放大

SCIGMA real-data analysis of ovarian and cervical cancer Xenium Prime datasets — 实证结果**Xenium Prime 肿瘤空间异质性（Figure 4）**
图中比较 RNA 与形态图像整合后的肿瘤亚区、标记基因和模态贡献。阅读时同时检查不确定性较高的区域是否对应重构误差、模态冲突或真实肿瘤异质性。
Chang, Fleischmann & Ma, Nature Genetics (2026) · 原图未修改 · 原图未修改 · 原文图 · 放大

在部分大数据上，对照方法在 48 小时、400 GB CPU memory 或 24 GB GPU memory 条件下不能完成，因此这些数据只能展示 SCIGMA 的结果，不能形成完整的性能排名。阅读“scales to one million locations”时，应把它理解为重要的工程可行性证据，而不是所有大规模数据上的相对优势已经被公平估计。

统计解释上的注意点

空间域 benchmark 可能依赖已知标签

ARI、NMI 等指标需要参考分区，但组织学标签本身有分辨率和主观性。模型发现比参考更细的结构时，分数可能下降；过度平滑得到与粗标签一致的区域时，分数可能反而上升。因此需要同时查看 marker、组织图像和跨切片复现。

重构准确不等于生物信号正确

decoder 的 RMSE 反映特征能否从表示恢复，但高丰度、空间平滑的特征会主导平均误差。稀有细胞状态和局部调控信号需要单独评价。

uncertainty 需要外部校准

可进一步用 held-out modality、人工降采样、已知组织边界和重复切片检验：高 uncertainty 是否预测更大的重构误差或更低的跨重复一致性。没有这些校准时，它更适合作为诊断分数而不是正式概率。

局限

输入通常是共定位的 paired modalities，不能直接解决完全未配对样本的整合；
图构建参数、特征预处理和近邻数会影响组织边界；
graph sampling 可能削弱长程关系；
uncertainty 混合生物和技术来源；
大数据 benchmark 中部分对照方法未完成，性能比较并不完整；
深度模型的随机性要求报告多次运行，而不是只展示最佳空间图。

小结

SCIGMA 最有价值的部分是把模态特异图、联合表示和大图采样组合起来。若将其用于新的空间平台，优先检查的不是聚类图是否漂亮，而是不同预处理和随机种子下的稳定性、uncertainty 与真实误差的关系，以及稀有组织结构是否在采样中被保留。