传统跨组学预测常把细胞视为独立样本：输入基因表达，输出蛋白质或代谢物。但组织中的细胞并不孤立。即使两个细胞的转录表达完全相同，只要位置、邻近细胞以及与血管、病灶或斑块的距离不同，它们的蛋白和代谢状态就可能不同。
研究团队在EEL FISH、卵巢癌MERSCOPE和乳腺癌Xenium三类数据中，共分析了547,097个细胞，发现“表达谱完全相同”的细胞可以分布在组织的不同位置。若模型只读取细胞自身的转录本，就会给它们输出相同答案；但在组织中，“细胞是谁”还取决于“它在哪里”和“周围是谁”。
另一种办法是测量相邻切片，再将两张切片对齐。然而，研究展示的乳腺癌连续切片间隔仅5微米，宏观结构仍然相似，微观层面却已经出现细胞数量、密度和位置差异。邻片对齐能恢复大体结构，却难以保证细胞一一对应。
这意味着，空间跨组学预测不能只把坐标当作一个附加变量。它需要理解细胞所处的局部环境。
NicheTrans中的“niche”指细胞生态位。模型把中心细胞及其邻近细胞组成一个局部单元：低分辨率spot数据使用8个邻居，单细胞分辨率数据使用12个邻居，近邻与次近邻被编码为不同的空间层级。
模型随后整合基因表达、空间关系、可选的细胞类型信息，以及可选的苏木精-伊红染色（hematoxylin and eosin，H&E）图像特征，通过Transformer学习中心细胞与周围细胞之间的依赖关系，最后输出蛋白质或代谢物。
它回答的不再是“这个转录组对应什么蛋白”，而是“这个细胞处在这样的局部环境中，更可能呈现什么分子状态”。
这种变化看似只是多看了几个邻居，实际上却改变了跨组学预测的基本单位：从单个细胞，变成了细胞与其微环境构成的局部系统。
研究首先分析了帕金森病（Parkinson’s disease，PD）小鼠脑组织。三张连续切片同时获得空间转录组、空间代谢组和H&E图像，其中两张用于训练，一张用于测试。测试切片包含1,242个完整侧spot和1,433个病损侧spot。研究将NicheTrans与六种既有跨组学翻译方法进行了比较。
在31种目标代谢物的整体评估中，NicheTrans以及加入组织学图像的NicheTrans*，在Pearson相关系数和Spearman相关系数上均处于领先位置。对于三种空间分布不同的代谢物，其他方法常出现明显偏移，而NicheTrans得到的空间分布更接近实测结果；加入H&E图像后，不同脑区之间的代谢梯度进一步接近实测图谱。
更关键的问题是：这些预测能否改善组织分区？
仅使用转录组时，模型难以区分完整侧和病损侧尾状壳核；仅使用代谢组时，又难以恢复多个功能脑区。将NicheTrans*生成的代谢信息与实测转录组联合后，空间分区的调整兰德指数（adjusted Rand index，ARI）达到0.73，标准化互信息（normalized mutual information，NMI）达到0.75，明显优于其他翻译方法。
因此，跨组学翻译的价值不能只看某个代谢物预测得“像不像”，还要看补出的分子层能否改变对组织结构和病理边界的认识。
研究人员利用积分梯度（integrated gradients）追踪哪些输入基因对目标代谢物的预测贡献最大。
针对与PD相关的代谢物m/z 674.28592，模型识别出Tac1、Pcp4、Penk、Gpr88、Pdyn和Hpca等高贡献基因。完整侧与病损侧之间，Tac1的表达差异P值为7.2×10⁻²⁰，Pcp4为1.5×10⁻¹⁸，提示这些差异并非轻微波动。
这些基因进一步富集于信号转导、阿片信号、G蛋白偶联受体（G protein-coupled receptor，GPCR）信号、5-羟色胺递质释放和多巴胺递质释放等通路。
这使模型的作用不再局限于复原一张代谢地图。它还可以反向提出：哪些基因程序可能与特定代谢变化相关？
不过，模型归因只表示预测过程依赖这些基因，并不等同于证明这些基因直接导致了目标代谢物变化。它提供的是值得实验验证的机制入口，而不是因果结论。
第二个关键场景是阿尔茨海默病（Alzheimer’s disease，AD）小鼠脑组织。
研究使用两张AD模型切片和一张同龄野生型切片，从空间转录组预测淀粉样β蛋白（amyloid-β，Aβ）和磷酸化tau蛋白（phosphorylated tau，p-tau）。这两类蛋白是AD研究中的重要病理标志，但其阳性信号远少于阴性信号，构成典型的类别不平衡问题。
在这种数据中，一个模型即使把绝大多数位置都判断为阴性，也可能获得很高的准确率和特异性，却漏掉大量具有生物学意义的病理区域。因此，F1分数和灵敏度比表面上的总体准确率更值得关注。
NicheTrans对Aβ的受试者工作特征曲线下面积（area under the ROC curve，AUROC）为0.931，对p-tau为0.841。与表现最好的单细胞翻译方法相比，Aβ和p-tau的F1分数分别提高0.261和0.206，即26.1和20.6个百分点。
但疾病切片上的高灵敏度还不够。一个模型也可能只是倾向于“多报阳性”。
野生型切片因此构成了更严格的反向检查。该切片共有8,035个细胞，实测仅有2个Aβ阳性和61个p-tau阳性信号。NicheTrans*预测为2个Aβ阳性和52个p-tau阳性，接近实测结果。
相比之下，sciPENN预测了13个Aβ阳性和421个p-tau阳性，cTP-net虽然没有预测出Aβ阳性，却预测了197个p-tau阳性。
一个模型在疾病样本中“看见更多病理”并不一定更好。能否在正常样本中不制造大量假阳性，是稳健性的另一半。
研究人员随后把预测出的Aβ斑块作为空间地标，分析其周围的细胞组成。
置换检验显示，Micro3小胶质细胞亚型、Astro3星形胶质细胞亚型和Oligo1少突胶质细胞亚型均显著富集于Aβ周围，而且使用预测Aβ与使用实测Aβ得到的结论一致。
这一分析重建了Aβ斑块周围的“核心—外壳”结构：Micro3更靠近斑块，Astro3和Oligo1更多分布在外层。
模型还识别出Cst7、Ctsb、Trem2和Apoe等Micro3标志基因。高贡献基因富集于先天免疫系统、免疫系统和Toll样受体级联通路；在疾病富集分析排名前七的条目中，有五个直接涉及AD。
这一步很重要。因为计算翻译不再只是补齐一个缺失的分子层，而是开始帮助重建细胞类型、病理地标和分子程序之间的空间关系。
如果预测出的蛋白分布只能在图像上“看起来相似”，它的研究价值仍然有限；如果这些预测还能复原已知的病理微环境，并提出新的空间关联假设，它才可能成为后续机制研究的工具。
NicheTrans最容易被误读为：“以后只测转录组，就能得到蛋白组和代谢组。”
研究并不支持这样的外推。
首先，模型仍然需要配对的空间多组学数据进行训练。没有高质量的实测多组学数据，就无法建立可靠的翻译关系。
其次，PD分析主要基于同一只小鼠脑的三张连续切片；AD部分也只有两张AD模型切片和一张野生型切片。这些结果证明了方法的可行性，却不能自动保证模型在不同物种、不同疾病、不同实验室和不同检测平台之间都能保持同等性能。
再次，Aβ和p-tau本身位于细胞内外不同空间。研究需要把这些蛋白信号分配给邻近细胞：p-tau按15像素范围内最近的3个细胞标记，Aβ按50像素范围内最近的3个细胞标记。这些预处理规则会直接影响训练标签。
因此，NicheTrans生成的是在训练数据和模型假设条件下得到的推断组学，不是新的直接测量。它适合用于候选发现、空间分区、机制线索筛选和实验优先级排序，但关键结论仍需独立实验验证。
这项研究更重要的启示，是重新定义了跨组学预测的输入边界。
组织中的分子状态并不是只由细胞内部转录本决定。它还受到邻近细胞、组织结构、局部病理状态和空间位置的共同影响。
当空间信息被写入模型后，相同的转录表达不再必然导向相同的蛋白或代谢预测。看似只是增加了“邻居”，实质上却把一对一映射改成了情境化推断。
未来更值得关注的，也许不是“模型能否替代一次昂贵的多组学测量”，而是：在有限预算下，哪些分子层必须直接检测？哪些可以通过计算推断？哪些预测最值得优先进行实验验证？
NicheTrans提供了一种新的研究分工：用少量高质量空间多组学数据建立参照，再让更大规模的空间单组学样本获得可检验的多层分子假设。
它没有消除实验，而是在重新安排实验应该把资源用在哪里。
参考文献
