以单细胞分辨率揭示组织分子结构有助于更好地了解生物体的生物学和病理过程。然而，bulk RNA-seq 只能测量细胞混合物中的基因表达。《Nature Communications》发表了一种基于深度学习框架的空间去卷积算法：Bulk2Space，首次实现将Bulk转录组重构至单细胞空间分辨率。

Bulk2Space是一种基于深度学习框架的空间去卷积算法，该算法使用现有的高质量scRNA-seq数据和空间转录组学作为参考，从bulk RNA-seq中生成空间解析的单细胞表达谱。

研究团队使用bulk RNA-seq数据验证 Bulk2Space的性能，其揭示了不同肿瘤区域免疫细胞的空间差异、炎症诱导肿瘤发生过程中组织的分子和空间异质性以及不同细胞类型中新基因的空间模式。此外，Bulk2Space对研究团队内部开发的称为Spatial-seq的测序方法的两个不同小鼠大脑区域的bulk RNA-seq数据进行空间去卷积分析，不仅重建了小鼠等皮质的层次结构，还进一步注释了小鼠下丘脑中原始方法未识别的细胞类型。

尽管每次β-VAE生成的单细胞数据略有不同，但总体预测结果在细胞类型的空间分布、细胞类型组成和斑点比例以及基因表达的空间模式方面表现稳健。

利用Bulk2Space对Spatial-seq技术获得的小鼠下丘脑bulk转录组进行空间解卷积及细胞类型注释。

Bulk2Space具有巨大的生物学和临床应用前景，包括将组织分子特征与组织学表型联系起来，揭示细胞的空间特异性变异，发现新基因的空间表达模式，实现更精细的细胞聚类，以及预测疾病进展的分子机制。

Bulk2Space算法可在GitHub上开放访问： https://github.com/ZJUFanLab/bulk2space