介绍
空间多组学技术的飞速发展，使得研究人员能够在组织原位同时检测多种分子信息，如转录组、表观基因组和蛋白质组等，从而揭示细胞在组织中的空间异质性与功能特化。然而，如何有效地整合这些多元异构数据，并实现不同切片之间的精确对齐，尤其是在存在非刚性形变、分辨率差异和缺失对应关系的情况下，仍是计算生物学领域的重大挑战。针对这一问题，Bingjie Dai及其合作者在Nature Methods上发表了题为"3d-OT: a deep geometry-aware framework for heterogeneous slices alignment of spatial multi-omics"的研究论文，提出了一种名为3d-OT的全新深度学习框架，旨在统一解决空间域识别、跨模态融合和异构切片对齐等核心任务。
3d-OT的核心创新在于其几何感知的设计理念。与大多数现有方法仅将空间坐标用于构建图结构以捕捉邻域关系不同，3d-OT显式地将空间位置信息作为独立模态，并在神经网络的每一层中反复注入，使模型能够真正"感知"组织的整体几何分布。该框架由两大模块构成：一是基于PointNet++的编码器，用于从单模态或多模态数据中提取融合表征；二是软对应最优传输（Soft Correspondence Optimal Transport, SCOT）模块，用于实现切片间的灵活非刚性对齐。
在空间域识别任务中，3d-OT在多个单组学数据集（如人类前额叶皮层DLPFC、小鼠视觉皮层STARmap、人类乳腺癌等）上均取得了领先的性能，尤其在DLPFC数据集的12张切片中，首次实现了ARI评分超过0.7，清晰区分了皮层各层结构。在多组学数据上，3d-OT同样表现优异，能够准确识别人类淋巴结中的包膜结构、小鼠脑表观基因组-转录组联合数据中的皮层6a/6b亚层及外侧隔核等精细区域，而这些区域在以往方法中常被合并或模糊处理。
在切片对齐任务中，3d-OT在跨平台（如seq-FISH与Stereo-seq）、跨模态（如RNA与ATAC、H3K27ac）及不同发育阶段（小鼠胚胎E11.5至E16.5）的数据上均展现出卓越的鲁棒性和准确性。特别是在追踪心脏和神经嵴组织的非刚性形变时，3d-OT成功保留了复杂的几何结构，而对比方法（如SLAT、Harmony、PASTE等）则出现了局部突变或对齐失真。此外，3d-OT首次将**倒角距离（Chamfer Distance）**引入空间切片对齐评估，弥补了传统细胞类型匹配指数（CI）仅关注标签匹配而忽视几何保真度的不足。
最终，3d-OT被用于构建小鼠胚胎发育的3D时空轨迹，成功揭示了心脏、肝脏、肾脏、卵巢等器官的发育迁移路径，并发现了如Garnl3等潜在的新型皮层6a标记基因，为发育生物学和神经科学研究提供了新的假设和线索。
算法原理介绍
3d-OT的算法设计可归纳为"几何显式编码 + 软对应最优传输 + 多损失联合优化"三大部分。
首先，PointNet++编码器负责将每个空间点位（spot）的原始特征（如基因表达或染色质可及性）与其二维坐标拼接，形成属性矩阵。通过k近邻（k-NN）构建空间邻接图后，编码器逐层应用卷积、批归一化和最大池化操作，从局部到全局逐步聚合邻域信息。与常规图神经网络不同，PointNet++在每一层都重新将坐标信息拼接到特征中，确保几何结构不被深层抽象所稀释。对于多组学数据，各模态独立经过上述编码后，通过一个多层感知机（MLP）融合为统一的表征，同时每个模态还设有解码器以重建原始特征，保证表征的信息完整性。
其次，SCOT模块接收来自不同切片的融合表征或单模态重建表征，计算成对余弦相似度并转换为传输代价矩阵。随后，采用熵正则化的Sinkhorn算法求解最优传输计划，得到每个源点到目标点的软对应权重（而非硬匹配）。基于这些权重，源点被重新定位为目标切片中候选点的加权平均位置，从而生成对齐后的点云和位移流场。
最后，为训练该对齐过程，3d-OT定义了三种自监督损失函数：
- 重建损失：最小化对齐后点云与目标点云之间的倒角距离，确保整体几何形状一致；
- 平滑损失：约束相邻点之间的位移向量相似，避免局部剧烈突变；
- 零散度损失：借鉴流体力学和粒子追踪思想，要求位移场的散度近似为零，允许局部复杂变形（如旋转或剪切），但整体保持质量守恒和方向一致性。
通过联合优化这三种损失，3d-OT既能灵活应对非刚性形变，又能保证对齐结果的生物学合理性和空间连续性。
总结
3d-OT是一个面向空间多组学的深度几何感知多任务框架，首次将显式空间编码、软对应最优传输和零散度正则化有机融合，在空间域识别和异构切片对齐两大任务上均显著超越现有方法。其成功之处在于：不仅"使用"空间信息，更"理解"几何结构，从而能够捕捉精细的解剖学分层、追踪复杂的发育形变，并发现新的标记基因。3d-OT为空间多组学数据提供了一个统一、可扩展且几何可靠的计算平台，有望在发育生物学、肿瘤微环境研究和三维组织图谱构建中发挥重要作用。未来，将图像模态、拼接任务和批次效应校正纳入框架，将进一步提升其实用性和普适性。