学位论文简介

空间转录组技术能够在保留组织原位空间信息的基础上获取基因表达信息，为解析组织空间结构和基因空间表达模式提供重要手段。本文围绕空间转录组数据中的空间模式解析问题，以深度图学习为主要技术路线，重点研究空间域识别和空间可变基因识别，并涉及组织图像辅助的空间多模态分析、空间多组学辅助分析和细胞类型特异性空间可变基因识别，构建了面向不同信息条件和分析层次的计算方法体系。主要创新成果如下：

（1）空间域与空间可变基因联合识别。针对组织区域结构与基因空间表达模式关联不足的问题，提出基于多约束图学习的联合识别方法。该方法通过多约束图学习获得用于空间域识别的低维特征，并利用空间域伪标签开展基因贡献分析，实现两项任务的协同分析。

（2）组织图像辅助的空间多模态分析。针对基因表达和空间位置难以充分利用组织形态信息的问题，提出协同分析方法。该方法联合利用基因表达、空间邻域关系和组织图像信息，并结合多模态与多粒度学习开展空间域识别和空间可变基因识别，将分析扩展至组织图像辅助的空间多模态场景。

（3）空间依赖与拓扑无关信息协同建模。针对不同信息与空间拓扑关系差异带来的建模问题，提出双分支协同学习方法。该方法分别建模空间依赖信息与拓扑无关信息，对两类低维特征进行协调与融合，并支持空间域识别、空间可变基因识别和空间多组学辅助分析。

（4）细胞类型特异性空间可变基因识别。针对整体组织及组织区域层面的空间可变基因识别易受细胞类型组成差异影响的问题，提出原型对比学习方法。该方法在细胞类型条件下学习类型内空间结构，通过类型内原型对比学习和基因归因分析刻画同一细胞类型内部的空间表达变化，并对候选细胞类型特异性空间可变基因进行优先级排序。

主要学术成果

[1] Xiao Liang, Pei Liu, Juping Li, Cong Shen, Jie Cai, Jiawei Luo*. DuaST: an integrated deep learning framework for spatial transcriptomics with cross-branch interaction[J]. Briefings in Bioinformatics, 2026, 27(2): bbag174. (CCF B类期刊, 第一作者)

[2] Xiao Liang, Pei Liu, Li Xue, Baiyun Chen, Wei Liu, Wanwan Shi, Yongwang Wang, Xiangtao Chen, Jiawei Luo*. A multi-modality and multi-granularity collaborative learning framework for identifying spatial domains and spatially variable genes[J]. Bioinformatics, 2024, 40(10): btae607. (CCF B类期刊, 第一作者)

[3] Xiao Liang, Pei Liu, Cong Shen, Wei Liu, Juping Li, Jiawei Luo*. SpaMCI-DL: A Hybrid Deep Learning Framework for Integrated Identification of Domains and Spatially Variable Genes in Spatial Transcriptomics[C]. 2025 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, 2025: 1755-1760. (EI 会议，第一作者)

[4] Pei Liu, Xiao Liang, Jiawei Luo*. LaCONIC: A Label-Aware and Graph-Guided Multi-Omics Collaborative Learning Model for Cancer Survival Prediction[C]. Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD). ACM, 2026: 11480–11491. (CCF A类会议，第二作者)