数字器官三维重构技术通过整合空间转录组学和多模态生物医学数据，精确重建组织器官在三维空间中的分子与细胞结构分布。该技术不仅助力揭示器官发育过程中细胞间的空间关系和信号传导机制，还为深入理解疾病发生及器官功能异常提供了全新视角。随着空间组学技术的飞速发展，尤其是高分辨率空间转录组数据的大量积累，如何将二维切片上的分子数据信息准确无缝地拼接为连续的三维结构，已成为提升数字器官重构质量的关键难题。目前，三维重构方法普遍面临切片间边界对齐精度不足和空间变形校正不完善等挑战，这直接影响重建结果的生物学可信度和后续的深入分析。因此，针对切片边界对齐和空间变形校正的算法优化，对于提升数字器官三维重构的精确性和鲁棒性具有重要的理论价值和应用前景。
本选题重点关注基于连续切片的分子数据信息进行三维重构，区别于传统基于图像内容的三维重建方法。核心目标是针对切片间边界对齐不准确、空间变形校正不足等问题，设计并优化相应的算法模型，从而显著提升三维重建的生物学可信度和后续分析的有效性，推动数字器官三维重构技术在发育生物学及相关领域的应用。
较高
刘石平（liushiping@genomics.cn）、冯琳清 (fenglq@zhejianglab.com)
- 复现基于生成高斯过程的三维切片对齐核心算法Spateo（https://spateo-release.readthedocs.io/en/latest/）；
- 系统分析现有方法在切片边界对齐中的局限；
- 设计并实现优化算法，增强切片边界匹配的精度与鲁棒性；
- 在小鼠胚胎空间转录组数据上进行验证，提供定量对比分析；
- 撰写详细技术报告，说明优化方法、实验设计及结果解读。
- 精通Python编程及科学计算库（numpy、scipy等）；
- 理解生成高斯过程、空间变换模型及三维重建技术；
- 具备图像处理及空间组学数据分析基础；
- 具备良好的数据处理、实验设计与结果分析能力；
- 熟悉生物学空间数据特点及相关知识者优先。
随着单细胞转录组技术的快速发展，跨物种细胞类型的比较与映射成为揭示物种进化、细胞功能保守性及多样性的关键。现有跨物种分析方法多侧重于基因同源性及基于表达相似性的直接匹配，难以充分利用细胞类型内复杂的基因调控网络信息，导致映射精度和生物学解释能力受限。共表达网络熵作为一种量化网络稳定性和调控复杂性的指标，为捕捉细胞类型特异性基因调控模式提供了新的视角。通过构建基于共表达网络熵的跨物种细胞类型映射方法，有望实现从基因层面到细胞网络层面的深度整合与比较，推动跨物种细胞类型识别及进化分析的深入发展。
本课题分理论研究与模型开发两大部分。
理论研究方面，系统收集多个物种的公开单细胞数据集，进行统一的细胞类型标注及同源基因匹配，评估主流跨物种比较分析工具的性能与不足，为新方法设计提供理论基础。模型开发方面，针对不同物种中各细胞类型构建特异性基因调控网络（Cell-type specific GRNs），利用网络熵等网络信息设计综合评分模型，实现基于基因同源与细胞调控网络的跨物种细胞类型映射。进一步挖掘网络模块特异性，协调不同物种间细胞类型比对，支持细胞类型注释、多物种匹配及时序演化分析等多种下游应用。
中等
刘石平（liushiping@genomics.cn）、冯琳清 (fenglq@zhejianglab.com)
- 收集并预处理多物种单细胞数据，完成统一注释与同源基因匹配；
- 系统评估现有跨物种细胞类型映射工具，分析其优缺点；
- 构建基于共表达网络熵的细胞类型特异性基因调控网络模型；
- 完成方法性能评估和下游应用示范，撰写完整技术报告。
- 熟练掌握Python/R编程；
- 理解跨物种基因同源性分析及细胞类型注释方法；
- 具备良好的统计学基础和机器学习知识；
- 熟悉单细胞转录组学及进化生物学相关背景优先。