发表期刊：Nature Methods
研究领域：空间多组学、三维组织重建与对齐、空间域识别与聚类
ML/DL方法：点云分割、最优传输
文章创新：3d-OT首次将空间坐标在PointNet++每一层反复拼接，实现几何感知的深度表征学习，并引入零散度损失约束最优传输流场，使非刚性对齐在局部灵活的同时保持整体方向一致，是首个原生支持复杂多组学组合对齐的可微分端到端框架。
1
研究背景
空间多组学技术正在以前所未有的分辨率揭示组织的分子与空间异质性。然而，一个棘手的问题始终横亘在研究者面前：如何将来自不同切片、不同模态、甚至不同技术平台的数据精准对齐？ 传统方法大多依赖图神经网络建模空间邻近性，却未能充分挖掘空间坐标本身蕴含的几何先验信息。当面对非刚性形变、分辨率差异悬殊的切片时，这些方法往往力不从心。更棘手的是，现有工具如CellCharter、SpatialGlue和MISO虽在单一样本或模态内表现良好，但在跨平台、跨模态对齐任务中泛化能力有限，缺乏统一的解决方案。正是在这样的背景下，3d-OT应运而生——一个从底层重构空间对齐逻辑的深度学习框架。
2
核心技术
3d-OT的核心思路可以用一句话概括：让空间坐标本身成为深度学习模型的一等公民。其架构由两个相互协同的模块构成。
第一个模块是PointNet++编码器。这个最初为点云分割而设计的网络，被巧妙地迁移到了空间组学场景。3d-OT首先利用k-NN算法基于空间坐标构建邻域图，然后将基因表达特征与二维空间坐标拼接，送入PointNet++的每一层。这意味着模型在提取特征时，始终“知道”每个细胞或spot在组织中的物理位置，而非仅依赖表达谱的相似性。对于多模态数据，不同组学的表征通过MLP进行融合，生成统一的spot表示。
第二个模块是软对应最优传输（SCOT）。这是处理非刚性形变的关键。3d-OT使用基于Sinkhorn算法的熵正则化方法求解最优传输计划，通过软对应权重重建对齐后的spot位置。Chamfer距离被用作重建损失来优化位置，而平滑损失则确保相邻切片之间的位置变化是连续且自然的。更具巧思的是零散度损失的引入。受3D粒子追踪的启发，研究团队设计了这一约束来保证对齐流场在局部允许复杂空间变化的同时，整体上保持方向一致性——这相当于给模型加了一条生物学合理性的物理规则。
3
核心成果
一、空间域识别首次突破ARI 0.7，精准还原大脑皮层分层
在人类背外侧前额叶皮层（DLPFC）数据集上，3d-OT与SEDR、stLearn、SpaGCN、STAGATE等7种现有方法进行了系统对比。结果令人瞩目：3d-OT在全部12张切片上均取得最优表现，首次将ARI指标推至0.7以上。可视化结果显示，SEDR和STAGATE等方法只能部分分离皮层层次结构，而3d-OT与人工标注的各层对应关系高度一致。这一结果的意义不仅在于数字上的领先。皮层分层是神经科学中最经典的解剖学结构之一，能否准确还原它，是检验空间域识别方法是否真正理解了组织几何的试金石。
二：跨平台对齐
不同空间技术平台各有取舍：seq-FISH能捕获超过10000个细胞但仅覆盖约350个基因；Stereo-seq则能测量20000+基因但细胞数较少。将这两类数据对齐，相当于让两种“语言”不同的测量体系建立对应关系。3d-OT在这项任务中展现了最强的非刚性形变追踪能力。研究团队选取心脏、大脑、神经嵴三个区域进行评估，3d-OT成功跟踪了形态变形，而对比方法则产生了物理上不准确的对齐结果。定量评估中，3d-OT在chamfer距离和细胞类型匹配指数上均排名第一。
三、多组学组合对齐
在(P)22小鼠脑样本中，研究团队设计了五种不同的模态组合任务，包括RNA1+RNA2、RNA1+ATAC、H3K27ac+RNA2等。结果显示，3d-OT是唯一能够处理RNA1+H3K27ac；ATAC+RNA2这种复杂多组学组合的方法。SLAT排名第二，而PASTE2和SANTO因缺乏跨模态对齐功能，得分被设为0。在额外三组(P)22脑切片和多组学小鼠脾脏数据上的基准测试进一步证实：利用多组学表征的3d-OT优于所有基线方法，而仅使用转录组学的版本则排名紧随其后。这说明多模态信息的融合确实带来了实质性的性能提升。
四、重建小鼠胚胎发育3D时空轨迹
这是3d-OT最具生物学意义的应用。研究团队将其用于E11.5至E16.5小鼠胚胎发育过程的3D重建。心脏和肝脏在发育过程中位置持续变化，给非刚性对齐带来巨大挑战，但3d-OT成功捕捉了它们的发育轨迹。一个令人印象深刻的细节：E13.5时期的心脏呈现环状结构，3d-OT成功重建了这一形态分布。对齐流分析显示，心脏的对齐流从E11.5到E14.5呈现收缩趋势，随后到E16.5转为发散；而肝脏则表现为持续发散。这些模式与心脏和肝脏在各发育阶段的空间分布动态高度吻合。
4
总结
3d-OT的核心贡献在于首次将几何先验以显式方式编码进空间多组学的深度学习框架。PointNet++负责看见空间结构，SCOT负责理解形变规律，零散度损失负责“约束”生物学合理性——三者协同，构成了一个从特征提取到对齐重建的端到端解决方案。
从基准测试的结果看，3d-OT在单组学空间域识别、跨平台对齐、多组学组合对齐以及胚胎发育3D轨迹重建等任务上均取得了当前最优表现。尤其值得注意的是，它是目前唯一能处理复杂多组学组合对齐任务的框架，这填补了领域内的一项关键空白。从应用前景看，3d-OT为肿瘤微环境的3D空间组织解析、免疫细胞空间动态追踪、器官发育时空图谱构建等场景提供了更精确的工具。从看一张切片到重建一个器官的发育故事，这一步跨越的意义，或许比任何单项指标的提升都更值得关注。
基于文章中所使用的先进技术，包括深度学习，联川生物为您提供最前沿的生物分析解决方案。联川生物的专业团队将这些先进技术与丰富的经验相结合，为您提供高效、精准的服务。无论您的需求是基础研究还是临床诊断，我们都能够为您提供量身定制的解决方案。选择联川生物，让您的研究获得最新科技的支持，开创更广阔的科学道路。
参考文献：Dai B, Yi L, Wang P, et al. 3d-OT: a deep geometry-aware framework for heterogeneous slices alignment of spatial multi-omics[J]. Nature Methods, 2026: 1-12.
