原文链接

本文旨在介绍计算空间组学的迅速兴起和蓬勃发展的态势，并阐明复杂、高维异质的新型超大规模的空间生物组学大数据，将为生物信息学研究者提供前所未有的机遇和挑战。如何借助以深度学习为代表的新一代人工智能技术，发展计算空间组学，奠定空间组学计算建模、解析、集成与应用的基础算法和工具，成为新时代的重要课题。

新一代测序和成像技术正推动空间转录组学（spatial transcriptomics）的迅速兴起，并应用于神经科学、癌症生物学、发育和植物生物学等领域。空间转录组学为揭示生物体组织中的复杂细胞排列的原理和机制提供了强有力的工具，被评选为Nature Methods 2020年度技术。与此同时，空间表观组、空间蛋白质组、空间代谢组等各种空间组学正在被迅速攻关，呈现蓄势待发之势。这一系列空间组学将产生形式复杂、高维异质的新型超大规模生物组学大数据，为生物信息学和计算生物学研究者提供了前所未有的机遇和挑战。如何借助以深度学习为代表的新一代人工智能技术，发展计算空间组学，开发空间组学计算建模、解析、集成与应用的基础算法和工具，成为新时代的重要课题。

空间组学是在保留组织空间位置的基础上同时解析来自基因表达、表观调控、生物代谢等组学的生物信息，其在传统测序技术的基础上增添了空间维度的信息。这与早期的Bulk测序、单细胞测序相比，增加了空间这一重要的信息维度，使得人们可以从更高、更精细的视角考察生物系统的运行规律。如图1所示，人们对于美国的认知，最初可能只是混沌的一团概念，更进一步的了解是美国各州的一些信息。但如果加上美国各州之间的位置关系，就能更好地认识它们在经济、社会、人文和气候等各方面的异同。

计算空间组学紧密结合了生物系统、实验技术与计算方法，将显著提升空间组学的分辨率，增强和揭示生物组织的子结构或空间类群，发现具有生物学意义的空间差异信号。将单细胞组学与空间组学集成，实现单细胞的映射和空间分辨点的解卷积或注释，解决空间类群的动态发展轨迹和空间细胞或细胞类群之间的通讯等系列问题。本文将介绍该领域的发展现状和未来发展趋势，阐述该领域面临的巨大挑战。