中国科学院动物研究所赵方庆团队在《细胞》上发表研究论文，提出了全新的空间蛋白组学技术框架PLATO。该技术整合人工智能深度学习算法与微流控技术，实现了全组织切片水平的高分辨率空间蛋白质组检测，分辨率高达25微米，可检测数千个蛋白。PLATO突破了传统高通量原位组学技术瓶颈，为生命科学研究提供了重要工具。该技术在断层扫描成像的重构原理中汲取灵感，通过降维后的平行流投影与深度学习算法Flow2Spatial相结合，重构出蛋白质的高分辨率空间分布。

🔬PLATO技术整合了人工智能深度学习算法与微流控技术，实现了全组织切片水平的高分辨率空间蛋白质组检测，能够以25微米的分辨率检测数千个蛋白，显著提升了空间蛋白质组的检测能力。

💡PLATO技术借鉴断层扫描成像的重构原理，通过降维后的平行流投影与深度学习算法Flow2Spatial相结合，实现了蛋白质高分辨率空间分布的重构。Flow2Spatial算法运用自编码器模型，模拟了平行流投影的实验过程，并通过整合其他空间组学数据，实现了蛋白质空间分布的高精度升维解码。

🧬现有空间蛋白质组方法主要依赖抗体染色或质谱技术，但存在靶标数量有限或实验成本过高等问题。PLATO技术突破了这些限制，提高了空间蛋白质组的覆盖度和分辨率，为解析其他组学分子的空间分布提供了新方案，具有重要的科研价值。

IT之家 2 月 6 日消息，据“中科院之声”消息，1 月 23 日，中国科学院动物研究所赵方庆团队在《细胞》（Cell）上发表了题为 High-resolution spatially resolved proteomics of complex tissues based on microfluidics and transfer learning 的研究论文。

IT之家从官方介绍获悉，该研究提出了全新的空间蛋白组学技术框架 ——PLATO，通过整合人工智能深度学习算法与微流控技术，实现了全组织切片水平的高分辨率空间蛋白质组检测（25 微米分辨率，数千个蛋白），突破了高通量原位组学技术瓶颈。

据介绍，现有空间蛋白质组方法主要依赖抗体染色或质谱技术。前者因靶标数量有限，仅能检测几十至几百种蛋白分子；后者检测种类丰富，但逐点取样方式增加了实验成本和规模。

PLATO 在断层扫描成像的重构原理中汲取灵感，通过降维后的平行流投影与深度学习算法 Flow2Spatial 相结合，重构出蛋白质的高分辨率空间分布。

Flow2Spatial 运用自编码器模型，将平行流投影的实验过程模拟为“降维编码”，并通过整合其他空间组学数据如组织学染色、空间转录组学等，对蛋白质空间分布进行高精度“升维解码”。这一原创算法突破了传统技术难以获取空间信息的限制，提高了空间蛋白质组的覆盖度和分辨率，为解析其他组学分子的空间分布提供了新方案。

PLATO 深度融合了人工智能算法、微流控和质谱技术，随着技术迭代创新，有望成为推动生命科学研究的重要工具。