将 ScienceAI 设为星标
第一时间掌握
新鲜的 AI for Science 资讯
编辑丨&
在生命科学全面迈入空间组学的今天，科学家们拥有了在细胞甚至亚细胞分辨率下，同时检测成百上千种 RNA 和蛋白质的能力。可在这项颠覆性技术的背后，却仍有一个问题需要所有人去头疼——视场角（FOV）应选在哪。
2026 年 5 月 25 日，复旦和北理工团队针对在实际操作中，高分辨率的空间组学检测极其昂贵且耗时的问题，在《Nature Communications》发表了他们的全新突破。
据论文「SOFisher: reinforcement learning-guided experiment designs for spatial omics」所述，他们开发了一款名为 SOFisher 的强化学习（RL）框架，第一次赋予了空间组学实验仪器「边走边看、智能寻路」的动态进化能力，彻底终结了「盲扫拼图」的低效历史。
论文链接：https://www.nature.com/articles/s41467-026-73404-6
SOFisher
在实验开始前，科学家对组织切片的了解极其有限，往往只有一张宏观的切片轮廓边界。在无法透视全貌的情况下，AI 凭什么能精准预测下一个最有价值的采样点在哪里？
SOFisher 的算法能够成立，建立在团队提出的两个硬核生物学假设之上：
非随机组织假设（Non-randomness Assumption）：生物组织不是杂乱无章的氨基酸和细胞大杂烩，其内部的细胞表型（如细胞类型、基因表达谱）具有高度规律的空间拓扑结构。
地标关联假设（Association Assumption）：那些科学家苦苦寻找的目标组织地标（TTLs），与周围微环境中的细胞表型存在强烈的空间因果或伴生关系。
图 1：SOFisher 的工作流程。
基于这两点，每一个被检测过的 FOV 就不再是一个孤立的数据点，而是一个「引路罗盘」。AI 可以通过当前 FOV 里的细胞类型分布，敏锐地洞察到自己当前处于组织的什么生态位，进而推算出地标可能隐藏的方向。
SOFisher 的巧妙之处在于，它在训练和测试阶段实施了完全不同的「信息隔离」。
训练阶段使用包含完整细胞类型和靶标标注的数据，让模型学习细胞类型与靶标位置之间的关联；测试阶段模型仅依赖当前FOV内可观测的细胞类型信息，完全不知道靶标的位置，仅根据之前学到的「关联知识」来导航。
数据模拟实验
研究团队首先在真实空间转录组数据（小鼠初级运动皮层，64 张切片，约 30 万个细胞）上进行了模拟验证。他们假设靶标（TTL）以 20% 的概率出现在特定细胞类型（L45 IT 细胞）周围，然后让 SOFisher 盲寻这些模拟靶标。
在 50 步采样中，SOFisher 捕获的靶标数量平均比随机采样高出约 2-5 倍。达到 10 个靶标所需的步数，SOFisher 比随机采样减少了约 60%。
图 2：带细胞类型关联的目标组织标志物的采样策略。
更令人惊讶的是，SOFisher 展现出了优异的泛化能力：即使是在不同月龄的小鼠大脑切片上测试，用某一月龄数据训练的模型仍然能有效指导其他月龄切片的采样。此外，SOFisher对不同FOV尺寸（150、300）也表现出良好的兼容性。
单组学数据定位
SOFisher 最有价值的部分，是在真实的阿尔茨海默病（AD）数据集上。
利用预先训练好的 SOFisher 策略，科学家现在只需要进行极其廉价的空间单组学（只测细胞类型），并在极其有限的几个小 FOVs 上运行。SOFisher 就像一个神奇的向导，总能精准地踩在 Aβ 斑块和神经纤维缠结（p-tau）交织的关键生态位上。
仅靠这一小部分由 AI 引导的单组学视野，科学家成功复现了此前必须靠大面积多组学扫描才能揭示的 AD 关键致病细胞亚型和基因程序。
图 3：阿尔茨海默病中 P-tau 的采样策略。
为了进一步压榨算法的极限，团队还推出了 SOFisherWR（带重启机制的 SOFisher）变体，将奖励函数从单一细胞表型扩展到复杂的空间多模式基因表达梯度。当面对结直肠癌等具有极高异质性、目标区域断断续续的复杂不连续组织时，AI 能够自动触发「重启探索」机制，确保不漏掉任何一个孤立的肿瘤核心区。
科学直觉揭示未来
经研究团队证明，用 SOFisher 指导采样的单组学数据（仅空间转录组），在分析阿尔茨海默病与野生型小鼠的差异时，其揭示的生物学洞察甚至优于用全切片多组学数据的传统方法。
但 SOFisher 的潜力还远不止于此，它实际上代表了一种全新的具身智能在生物学仪器上的落地范式。
在未来，顶尖的生物学显微镜或测序仪将不再是只听从死指令进行机械扫描的工具，而是搭载了诸如 SOFisher 这样拥有「科学直觉」的大脑。它们在碰触到细胞样本的第一秒起，就在动态思考、寻找、挖掘那些隐藏在微观错综复杂世界里的终极答案。
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。