[论文解读] AI-driven 3D Spatial Transcriptomics

Cristina Almagro-Pérez, Andrew H. Song+14 more|ArXiv.org|Feb 25, 2025

Single-cell and spatial transcriptomics被引用 3

一句话总结

VORTEX 是一个 AI 框架，能够基于 3D 组织形态和极少的 2D ST 数据预测密集的 3D 空间转录组，从而实现可扩展、非破坏性的体积基因表达图。

ABSTRACT

A comprehensive three-dimensional (3D) map of tissue architecture and gene expression is crucial for illuminating the complexity and heterogeneity of tissues across diverse biomedical applications. However, most spatial transcriptomics (ST) approaches remain limited to two-dimensional (2D) sections of tissue. Although current 3D ST methods hold promise, they typically require extensive tissue sectioning, are complex, are not compatible with non-destructive 3D tissue imaging technologies, and often lack scalability. Here, we present VOlumetrically Resolved Transcriptomics EXpression (VORTEX), an AI framework that leverages 3D tissue morphology and minimal 2D ST to predict volumetric 3D ST. By pretraining on diverse 3D morphology-transcriptomic pairs from heterogeneous tissue samples and then fine-tuning on minimal 2D ST data from a specific volume of interest, VORTEX learns both generic tissue-related and sample-specific morphological correlates of gene expression. This approach enables dense, high-throughput, and fast 3D ST, scaling seamlessly to large tissue volumes far beyond the reach of existing 3D ST techniques. By offering a cost-effective and minimally destructive route to obtaining volumetric molecular insights, we anticipate that VORTEX will accelerate biomarker discovery and our understanding of morphomolecular associations and cell states in complex tissues. Interactive 3D ST volumes can be viewed at https://vortex-demo.github.io/

研究动机与目标

• 在异质组织中证明真正的 3D 空间转录组学相对于 2D 切片的需求。
• 开发一个可扩展的 AI 框架，从多样的 3D 形态和 2D ST 数据中学习形态-分子关联。
• 在小 VOI 上进行微调，以捕捉体积特异的形态-分子关联。
• 展示使用非破坏性 3D 成像模态对大型组织体积进行的 3D ST 预测。
• 展示跨模态对不同成像模态和 2.5D（连续切片）情境的泛化能力。

提出的方法

• 在来自多样体积和疾病队列的 3D 形态–2D ST 对上预训练 VORTEX。
• 使用跨模态配准将 3D 组织图像、2D 组织图像和 2D ST 数据对齐。
• 使用四个组件：2D/3D 图像编码器、转录组编码器和转录组预测器。
• 采用多任务目标进行训练，包括对比损失（对齐嵌入）和 ST 重建损失。
• 在 VOI 特异的 2D ST 数据上进行微调，以纳入体积特异的形态-分子联系。
• 在 3D 上下文不可行时，可选择扩展到 2.5D 情境，使用序列切片数据。

实验结果

研究问题

• RQ1 VORTEX 能否在基于 3D 形态和有限的 2D ST 数据的情况下预测密集的 3D ST？
• RQ2 引入 3D 形态上下文是否比仅 2D 的方法有更好的预测效果？
• RQ3 VOI 特异微调如何影响预测准确性和形态学的一致性？
• RQ4 该模型是否可扩展到大型组织体积并能适应不同成像模态？
• RQ5 VORTEX 是否能泛化到 2.5D 序列切片和未见过的大体积？

主要发现

• 3D+VOI 训练在基因集上的预测性能最佳，平均 PCC（所有基因）为 0.46，0.57（前 50），0.42（标记基因）。
• 3D+VOI 在 PCC 和 SSIM 指标上持续优于 3D 和 2D 训练设置（例如，3D+VOI 的 SSIM 全部 = 0.56，而 3D 为 0.51，2D 为 0.50）。
• VORTEX 通过 VOI 微调更准确地捕捉表达变异和空间自相关，体现在更高的 Spearman ρ 及改进的 Moran’s I/Geary’s C 差异。
• 3D 情境可预测出与形态区域（肿瘤腺体、间质、良性腺体）一致的表达，并再现已知的基因-形态关联（如肿瘤中的 EpCAM，间质中的 ACTA2）。
• 该框架可扩展到大型组织体积（如 6.62×8.85 mm2，深度 1.71 mm）并在模态之间以及 2.5D 序列切片数据上实现泛化（如 OTLS）。
• VOI 微调即使仅使用极少的额外 2D ST 数据，也能带来显著收益，扩展至原始 ST 捕获区域之外。