只量一種，也能看見另一層？NicheTrans補繪組織中的空間多體學

一張組織切片裡，細胞位於哪裡，往往和它表現哪些基因、製造哪些蛋白質同樣重要。然而，同時測量多種分子資訊的空間多體學技術成本高、流程複雜，能取得的樣本也有限。刊登於《Nature Methods》的研究提出NicheTrans，希望利用較容易取得的單一空間體學資料，補繪尚未實際量測的另一層分子資訊。

NicheTrans採用Transformer架構進行跨體學轉譯。它不只學習單一細胞的分子特徵，也把周圍細胞構成的微環境納入模型，藉此保留組織中的鄰里關係。研究團隊也設計了整合形態資訊、既有生物知識與多模態資料的途徑，使預測不至於完全脫離組織結構。

根據論文與PubMed紀錄，模型在多組空間資料上找出單一體學分析未能辨識的分子—空間區域，並重建與多巴胺代謝及類澱粉蛋白β相關細胞狀態相連的基因程式。這裡的重點並非單純填補缺值，而是嘗試回答：某種分子變化出現在什麼細胞鄰里，又可能與另一種體學訊號如何共同變動。

在阿茲海默症腦組織的驗證中，研究人員利用模型轉譯出的蛋白質標記，量化不同膠質細胞亞型的空間排列。乳癌資料則用來檢驗模型能否恢復腫瘤組織中的跨體學與空間關係。官方文件與程式碼庫另列出帕金森氏症、人類淋巴結及小鼠腦部發育等資料，並提供前處理、訓練、視覺化和歸因分析流程。

這類方法的實際價值，在於讓研究人員能重新分析既有切片，或在經費與樣本受限時，先從一種量測推估值得進一步驗證的蛋白質、基因程式與細胞互動。公開的PyTorch實作和教學也有助其他團隊檢驗模型，而不必只依賴論文中的示範結果。

不過，模型產生的是依據訓練資料與組織脈絡所作的推估，並非對缺失分子模態的直接測量。不同平台、疾病、組織保存品質與細胞組成，都可能造成資料分布偏移；少見細胞狀態也可能因訓練案例不足而被錯估。因此，NicheTrans目前較適合作為提出假說和安排後續實驗的研究工具，關鍵發現仍須以蛋白染色、獨立空間量測或其他實驗方法確認。