AI正在重写单细胞与空间转录组吗?一篇2026综述讲透了机会与边界

这两年，AI 在生物信息学里的存在感越来越强。尤其是在单细胞测序和空间转录组领域，几乎每隔一段时间就会冒出一批新模型：scGPT、Geneformer、scVI、GraphST、MultiVI……名字越来越多，架构越来越复杂，宣传也越来越猛。

但真正的问题其实只有一个：

AI 到底是在帮我们更接近真实生物学，还是只是把分析流程变得更“高级”了？

2026 年发表的一篇综述《Applications of AI to single-cell and spatial transcriptomics: current state-of-the-art and challenges》https://doi.org/10.3389/fbinf.2025.1715821做了一件很重要的事：它没有停留在“模型很新”“结构很强”这种技术兴奋里，而是回到研究者最关心的场景——在单细胞和空间转录组的真实分析任务里，AI 到底值不值得用，哪里该用，哪里不该迷信。

一、为什么单细胞和空间转录组，成了AI最爱“扎堆”的地方？

原因并不神秘：这类数据天然就“又大又复杂”。

单细胞 RNA-seq 往往动辄成千上万到几十万细胞，每个细胞又有上万基因表达；空间转录组在此基础上还额外叠加了空间坐标、组织图像，甚至免疫荧光等多模态信息。也就是说，研究者面对的不是单一矩阵，而是一个同时包含表达、位置、形态和上下文的复杂系统。

这正是深度学习最擅长的地方：它不怕高维，不怕异构，也擅长把不同类型的数据压到同一个表示空间里。因此，这篇综述并不否认 AI 的重要性，反而承认它在多模态整合、图像融合、空间建模方面确实有天然优势。问题不在于 AI 能不能做，而在于：它做出来的结果，能不能真的用于生物学发现。

二、AI到底是怎么“读”单细胞数据的？

很多人会误以为，AI 模型就是把基因表达矩阵直接塞进去，然后吐出一个结果。其实不是。

图2｜单细胞与空间转录组分析中常见的深度学习架构。
包括卷积神经网络（CNN）、自编码器（AE）、变分自编码器（VAE）、生成对抗网络（GAN）、Transformer 和图神经网络（GNN）。不同模型各有分工：有的擅长降维与表示学习，有的适合生成与补全，有的更适合处理图像、空间邻接关系和多模态整合。

在这篇综述里，作者专门梳理了几类主流架构。最容易理解的一类是 Autoencoder / VAE：它们会把高维表达矩阵压缩到一个低维潜空间，再从这个潜空间重建原始数据。这样做的好处是，模型可以学习复杂的非线性结构，还能更自然地适配单细胞数据常见的稀疏性、过度离散和技术噪声。scVI 就是这一路线里最成功、也最被广泛使用的代表。

另一类是 Transformer 基础模型。它并不是像看自然语言那样“直接看基因”，而是先把基因表达转成模型能处理的 token。常见做法包括：按表达量排序，把基因当成有顺序的 token；把表达量分箱后离散化；或者直接把表达值投影成可学习的向量。不同方案各有代价：排序法更稳，但会损失定量信息；分箱法保留了大体尺度，却会牺牲细粒度差异；直接数值投影保留信息最完整，但建模更难。

再往空间转录组走，GNN 和 CNN就更自然了。因为空间转录组天生就有邻接关系、有图像信息，图神经网络可以直接建模细胞或 spot 之间的空间邻近，卷积网络则能提取 H&E 切片里的组织形态特征。也正因为如此，DL 在空间组学里往往比在普通 scRNA-seq 里更有“用武之地”。

三、哪些任务里，AI是真的有价值的？

图3｜深度学习在单细胞与空间转录组中的主要应用任务。
包括批次整合、去噪、插补、数据增强、数据生成、空间去卷积、细胞通讯分析和RNA velocity 等。需要注意的是，并不是所有任务都同样适合AI：有些场景中AI能显著提升多模态整合能力，但在差异分析等强调严格统计解释的任务中，过度依赖AI反而可能引入伪信号。

先说结论：不是所有任务都适合AI，但有几类任务，AI确实很强。

第一类是多组学整合。论文指出，在普通 scRNA-seq 批次整合里，DL 并没有稳定压过 Harmony 这类成熟方法；但在 scRNA + scATAC、RNA + protein、空间信息 + 表达信息这种跨模态整合任务里，DL 的表现更有说服力。原因很简单：不同模态统计分布差异太大，传统方法往往难以优雅地压到同一个空间，而 VAE、图模型和注意力机制更容易处理这件事。

第二类是空间转录组的区域识别和图像融合。这篇综述明确提到，如果你要把组织学图像、空间坐标和基因表达一起纳入分析，DL 几乎是绕不开的；其中，GraphST 被作者点名为当前表现最好的 DL 方法之一。也就是说，AI 在这里不是“锦上添花”，而更像是“结构上更合适”。

第三类是自动注释的第一轮筛查。像 scGPT、CellFM 这样的基础模型，可以把新数据快速投射到已有参考图谱里，先给出一个初步注释和置信度分数。在大规模人类数据里，这种“先粗分、再人工修正”的工作流是有现实意义的，尤其适合加快初筛。文中甚至建议：如果你并不清楚该选哪种方法，而又是做人类数据，可以优先考虑 scGPT，因为它的基准测试相对更充分。

四、哪些地方最容易被AI“带偏”？

这篇综述最有价值的地方，不是它夸 AI，而是它很清楚地指出了高风险区。

最典型的一类，就是去噪和插补。

DCA、scVI、DeepImpute 这些方法在某些任务上确实能把数据“变好看”，比如恢复被人为破坏的表达值、提高自动注释效果，甚至让某些 marker 看起来更清晰。但问题是，一旦把这些“修复后”的数据直接拿去做差异表达、基因相关性、marker 挖掘、细胞通讯分析，假阳性就会显著增加。作者的措辞其实很明确：在 discovery research 里，单细胞去噪仍然是一个有争议且较少被真正采用的方向。

第二个高风险区，是数据增强和生成式补样。如果用 cscGAN、scGFT 这类方法去扩充稀有细胞群，的确可能帮助聚类和轨迹分析更平滑；但本质上你是在人工放大样本信息量，这很可能会抬高统计检验的 power，从而推高 I 类错误。说得直白一点：它也许能让图更漂亮、轨迹更顺，但未必能让结论更真。

第三个问题是自动注释的泛化能力。很多模型在论文里准确率很高，但那往往是因为训练集和测试集来自同一个大数据集切分，真实世界里常见的批次差异、疾病状态差异并没有充分暴露出来。综述里提到，哪怕是表现不错的 scGPT，一旦 query 数据来自未见过的疾病状态，性能也会明显下滑。这意味着：AI 注释可以快，但不能偷懒。

五、AI会不会取代传统方法？

这篇综述给出的答案其实很冷静：

不会，至少现在不会。

在 scRNA-seq 的基础降维、聚类和批次校正里，DL 并没有稳定证明自己比成熟的传统方法更好。比如 scVI 的低维表示在独立 benchmark 里通常和 PCA 差不多；批次整合里，Harmony 依旧是非常强的基线，而不少 DL 方法反而容易出现过度校正，把真正的生物学差异也一起抹掉。

所以更准确的说法不是“AI替代了传统流程”，而是：

传统方法负责稳，AI负责灵活。

当你做的是常规 scRNA-seq 聚类、常规批次校正、常规 marker 分析，传统方法往往已经足够强；但当你需要同时吃下图像、空间、RNA、ATAC、蛋白这些异构数据时，AI 的价值才开始真正放大。

六、那生物学研究者到底该怎么用AI？

如果把这篇综述压缩成一句实用建议，那就是：

把AI当成增强器，不要当成裁判。

你可以让 AI 帮你做第一轮自动注释，帮你整合多组学，帮你融合空间图像和表达，帮你提取更复杂的表征；但你不能因为模型输出了一个更平滑的 UMAP、更漂亮的轨迹、更完整的表达矩阵，就默认它更接近真实 biology。真正决定结论能不能站住的，依然是实验设计、基准比较、人工复核和独立验证。

对今天的单细胞和空间转录组来说，AI 确实已经很重要，但它最可靠的角色还不是“终极判断者”，而是“强大的中间层工具”。它能帮我们更快地组织复杂数据、更方便地连接不同模态，也能把过去难以放到同一张图里的信息拼起来。

但从这篇综述的判断来看，AI最值得期待的价值，不是把传统方法全部替换掉，而是把过去根本拼不起来的数据世界，先拼起来。