本文介绍了一种名为 River 的可解释深度学习框架，旨在解决空间转录组学中识别差异空间表达模式（DSEP）基因的挑战。传统的空间变量基因分析通常局限于单片组织，而 River 能够跨越多个生物条件或发育阶段，量化并提取对区分不同样本贡献最大的基因特征。该研究通过模拟基准测试证明了 River 在准确性上显著优于现有方法，并具有处理数百万细胞的线性扩展能力。通过对小鼠胚胎发育、糖尿病睾丸病变及狼疮肾脏等多种生物学场景的应用，River 成功揭示了与疾病和发育相关的关键空间动态。此外，该工具在空间蛋白质组学数据中同样表现出良好的泛化性，为解析组织架构在病理过程中的空间异质性提供了稳健的计算方案。

References:

• Cui Y, Yuan Z. Prioritizing perturbation-responsive gene patterns using interpretable deep learning[J]. Nature Communications, 2025, 16(1): 6095.