本文介绍了一种名为 DECODE 的通用深度学习解卷积框架，旨在从组织层面的批量数据中准确估算细胞类型和状态的比例。该方法通过整合对抗训练和对比学习技术，成功克服了跨组学数据的分布差异、严重的批次效应以及单细胞参考资料不完整等技术瓶颈。研究表明，DECODE 在转录组学、蛋白质组学和代谢组学数据上均表现出色，填补了代谢组学解卷积领域的空白。通过对乳腺癌和肝脏多组学队列的分析，该工具证明了其在揭示疾病进展和细胞异质性方面的强大应用潜力。DECODE 为多组学数据的整合分析提供了一个标准化且高效的解决方案，助力精准医学研究。

References:

• Zhao T, Liu R, Sun Y, et al. DECODE: deep learning-based common deconvolution framework for various omics data[J]. Nature Methods, 2026: 1-13.