课程导论：自监督学习与空间转录组概述

这门课我要带大家走一条不太寻常的路——把自监督学习塞进空间转录组分析里。你可能会问：“为啥要自监督？传统的监督学习不香吗？”嗯，这个问题我当年也问过自己。直到有一次我接手一个脑组织切片项目，几十万条空间spot数据，结果只有不到5%的标注能直接用……那感觉就像拿着菜谱进了没有食材的厨房。所以这节课，我们先聊聊背景、痛点，以及我们到底能用自监督解决什么实际问题。

空间转录组：从组织切片到基因表达地图

空间转录组技术，说白了就是给每个组织切片上的“像素点”附加上基因表达量。传统单细胞RNA-seq把细胞打散，空间位置信息就丢了；空间转录组把位置和表达同时保留下来——你可以想象成一张“基因表达热力图”叠在组织病理图上。

目前主流平台包括10x Visium、Slide-seq、MERFISH等。它们输出的数据长这样：每个点（spot）是一个微小组织区域（直径10-100 µm不等），每个点有数千个基因的表达计数。再加上空间坐标（x, y），有时还有HE染色图像。

我个人的习惯是，拿到数据先做三件事：检查空白区域（比如血管腔），看邻居表达相似度，再画一张空间分布图。你很快就能发现——空间转录组的难点不在“基因多”，而在“位置编码”。你想想看，同样的基因表达模式，放在不同的组织结构里，意义完全不同。这就是为什么我们需要表示学习去自动提取空间上下文特征。

自监督学习：无标签世界里的生存法则

自监督学习的核心思路很简单：从数据本身构造“伪任务”，通过解决伪任务来学到有用的表示。你在做图像任务时用过SimCLR或MAE吧？对，就是那个套路——不需要人工标注，自己跟自己玩。

在空间转录组场景下，自监督的优势就显出来了。标注数据有多贵？我记得有一年我们标注一个前列腺癌组织切片，请了两名病理专家，花了三周才拿到几百个spot的细胞类型标签。而自监督可以直接用数万个未标注的spot训练，学到的表示再迁移到下游任务（聚类、空间域识别、预测临床指标等）。

常见的自监督范式包括：

• 对比学习：拉近空间近邻spot的表示，推远非邻居。我在项目中踩过坑——如果不加空间距离权重，学出来的表示会把整个组织压成均匀一团。
• 掩码重建：遮住部分基因表达，让模型根据邻居信息恢复。这招对捕获空间相关性特别有效。
• 聚类一致性：对同一个spot做两次不同增广，让聚类结果保持一致。说白了就是让模型“对噪声不敏感”。

两者结合：为什么我们需要自监督表示学习？

空间转录组分析的核心任务包括：空间区域识别（比如划分肿瘤区、基质区）、空间变量基因检测、细胞类型去卷积、组织结构重建。这些任务如果都依赖监督学习，你得给每个数据集单独标一遍——不现实。自监督表示学习的价值在于：它能在无标签条件下学到通用的空间-表达联合表示，下游只需要少量标签甚至零样本就能适配。

下面这张图展示了我认为最实用的课程知识体系：从原始数据出发，经过自监督预训练，得到每个spot的低维表示，再流向不同下游任务。

课程架构与目标

这门课一共三十章，我按“基础-方法-实战”三层来组织。第一章就是现在这一章——让你知道我们在打什么仗。后面我会带你：

• 先啃空间转录组的数据格式与预处理规范
• 再讲自监督学习的基本原理（对比学习、掩码模型、聚类一致性）
• 接着聚焦空间转录组特有的增广策略和邻域构建
• 然后实战：用PyTorch搭建一个完整的自监督预训练+下游微调 pipeline
• 最后用两个真实病例数据集做完整演示——包括代码调试和结果可视化

课程目标很明确：学完以后，你拿到一个没标注的空间转录组数据集，能自己搭个自监督框架，训出可用的表示，并且能迁移到至少三个下游任务上。

为了让你更直观地理解传统监督学习与自监督学习的差异，我整理了一张对比表：

方面	传统监督学习	自监督学习
标注需求	每个spot都需要标签（昂贵）	零标签，完全自驱动
泛化能力	强过拟合到特定组织/标注体系	学到的表示可迁移到同类型组织
对空间结构利用	需要手工定义空间特征	自动从邻域关系学习空间编码
训练数据量	通常需要上万标注spots	十万级无标注spots也能训
模型输出	类别概率	低维向量表示（可复用）
典型应用	已知细胞类型的分类	未知区域发现、跨平台对齐

看完这张表，你大概能理解为什么我这些年越来越倾向于自监督方案了吧？不是因为它花哨，而是因为它真的省钱省力——尤其对于空间转录组这种“数据量够大、标注极少”的场景。

好，导论部分就到这里。接下来几章，我们会从数据开始——毕竟没有数据，再好的模型也是空中楼阁。你可以在本地准备一个10x Visium的示例数据集（比如人类乳腺癌），后面我们会用它做第一个完整的自监督预训练实战。