摘要：随着多模态空间组学技术的飞速发展，研究人员能够从单一组织样本中提取海量数据。然而，如何整合这些复杂的组学数据（如转录组学、蛋白质组学、代谢组学等）并从中揭示关键的生物学信息，一直是科学界的重大挑战。

随着多模态空间组学技术的飞速发展，研究人员能够从单一组织样本中提取海量数据。然而，如何整合这些复杂的组学数据（如转录组学、蛋白质组学、代谢组学等）并从中揭示关键的生物学信息，一直是科学界的重大挑战。

2025年1月15日，宾夕法尼亚大学（University of Pennsylvania）李明瑶团队与埃默里大学 （Emory University）胡健团队在Nature Methods发表了题为Resolving tissue complexity by multi-modal spatial omics modeling with MISO的论文，提出了一种全新的多模态空间组学数据分析框架。博士生Kyle Coleman担任论文第一作者。

MISO：突破多模态数据分析瓶颈的AI算法

整合多模态数据是空间组学领域的未来方向。MISO是一款先进的人工智能工具，专为整合和分析多模态空间组学数据而设计。其高效的特征提取和聚类算法可以自动整合转录组学、蛋白质组学、代谢组学等多种模态数据，并结合病理影像信息，精细检测组织中的微观结构。MISO的开发不仅为这一领域带来了新的技术手段，也为揭示疾病的复杂性提供了前所未有的可能性。MISO在理解疾病机制、推动个性化治疗方面展现了重要价值。

图1：MISO算法功能介绍

跨越多种疾病的突破性发现

MISO的能力在多种疾病研究中得到了充分验证：

1.膀胱癌 （图2a） ：检测到一种与免疫治疗响应相关的三级淋巴结构的特化细胞群，并能更准确地量化其内部的血管分布。

2.胃癌 （图2b） ：区分癌细胞与黏膜组织结构，揭示癌组织微观分布特征。

3.结直肠癌 （图2c） ：识别肿瘤中不同亚型的癌细胞，为探索肿瘤异质性提供了新思路。

4.脑组织研究 （图2d） ：MISO还能用于分析和分类健康脑组织样本中的细胞类型。

论文同时比较了MISO与其他近期算法在膀胱癌活检样本中的表现。MISO在检测三级淋巴结构和内部血管的准确性方面表现尤为突出，而这些结构的存在与癌症免疫治疗的响应密切相关。

图2：MISO在不同组织中的应用场景及功能演示。

MISO如何解决大数据分析瓶颈？

在空间组学研究中，一个像素可能包含多达2万至3万个数据点，涉及多模态时数据量甚至会倍增。传统分析方法在效率和准确性上都面临巨大挑战，而MISO的高效算法不仅能轻松应对这些数据，还确保了解析结果的精准性。研究团队计划进一步优化MISO，使其能够同时处理多个组织样本，从而提升数据处理效率和结果产出速度。同时，通过引入DNA甲基化和表观遗传标记等新型数据类型，MISO有望扩展其应用范围，为细胞行为和疾病机制研究提供更深层次的洞察。

工具链接与资源

·原文链接：https://www.nature.com/articles/s41592-024-02574-2

·GitHub项目链接：https://github.com/kpcoleman/miso

·Laboratory for Statistical and Translational Genomics:：https://transgen.med.upenn.edu/

·AI in Genomics lab：https://jianhu-lab.org/

BioART战略合作伙伴

（*排名不分先后）

BioART友情合作伙伴

来源：晓加科技讲堂