SOFisher：基于强化学习的实验设计方法在空间组学中的应用

《Nature Communications》：SOFisher: reinforcement learning-guided experiment designs for spatial omics

　　

摘要

空间组学技术能够以高空间分辨率精确检测蛋白质和RNA。设计空间组学实验需要仔细考虑要测量的“目标”以及视场（FOV）的位置。“当前”的视场采样策略通常涉及获取密集采样的视场并将它们拼接在一起，这一过程耗时、资源密集，有时甚至无法实现。为了优化视场采样策略，我们提出了SOFisher，这是一个基于强化学习的框架，它利用之前采样视场的知识来指导下一个视场位置的选择，从而提高捕获更多感兴趣区域的效率。我们使用基于真实空间数据集的全面模拟严格评估了SOFisher的性能，结果清楚地表明，在各种指标上SOFisher的表现均优于传统方法。通过跨领域泛化测试以及其对不同视场大小的适应性，进一步验证了SOFisher的鲁棒性和泛化能力。在一个真实的阿尔茨海默病（AD）数据集上，SOFisher成功指导了包含神经纤维缠结和β-淀粉样蛋白斑块的视场选择，无论是针对单一目标还是双重目标组织标志物。值得注意的是，利用训练好的SOFisher策略，在少量视场上进行的空间单组学实验设计，能够揭示与AD相关的细胞状态、亚型和基因表达谱，而这些信息通常是通过对大组织切片进行空间多组学实验才能获得的。我们还在一个具有复杂组织结构和高异质性的结直肠癌数据集上展示了SOFisher的应用。除了基于细胞类型的定位外，我们还扩展了SOFisher的奖励函数，以最大化不同空间模式下的基因表达水平，并通过SOFisherWR（带重启的SOFisher）增强了其探索能力，从而全面捕获不连续的目标富集区域。SOFisher有潜力彻底改变空间生物学的实验设计。