1. scRNA-seq +深度学习
单细胞转录组技术：能够揭示细胞间的异质性，识别稀有细胞类型，并追踪细胞分化轨迹。
缺点：scRNA-seq数据通常存在高噪声和高稀疏性的问题，影响下游分析的准确性。
解决办法：深度学习模型如ZiPo，用于对scRNA-seq数据进行去噪处理，从而提升细胞聚类和差异表达分析的可靠性。
深度学习：也被应用于构建细胞互作网络。例如，DeepLinc工具利用变分图自动编码器（VGAE）从单细胞空间转录组数据中重建细胞间的互作关系，不仅能够识别已知的配体-受体相互作用，还能发现新的互作模式。这种方法有助于理解复杂组织中的细胞功能及其调控机制。
2. Spatial Transcriptomics
空间转录组技术：保留了基因表达的空间位置信息，使得研究人员可以研究细胞在组织中的分布及其相互作用。
缺点：空间转录组数据往往分辨率有限且存在技术噪声，限制了对复杂组织微环境的深入理解。SpaNN模型通过深度神经网络增强了空间转录组数据的空间分辨率并抑制噪声，从而更精确地绘制组织背景下基因表达的三维图谱。
Tangram 则是一种基于深度学习的方法，用于整合单细胞与空间转录组数据。它能将scRNA-seq数据映射到空间坐标上，生成包含每个细胞在空间体素上分布可能性的mapping矩阵，从而实现从单细胞分辨率到空间分辨率的转换。这为研究肿瘤微环境、神经元活动等提供了有力支持。
3. 深度学习在空间与单细胞联合分析中的应用
将单细胞和空间转录组数据整合分析 是当前研究热点之一。例如，NEUROeSTIMator模型结合深度学习与scRNA-seq及空间转录组数据，用于量化神经元激活状态。该模型不仅具有良好的泛化能力 ，还能揭示神经元活动与基因表达之间的关系 ，为神经系统疾病的研究提供新思路。同时，深度学习还被用于构建疾病共病预测模型。通过引入生物知识监督的图嵌入技术，研究人员可以整合疾病、基因等实体构建图结构，并学习其低维向量表示，进而预测潜在的疾病关联机制。