单细胞转录组和空间转录组技术使研究者能够从细胞尺度理解组织结构与功能，但两类数据均具有鲜明的分析挑战：单细胞数据高维、高稀疏，空间数据虽保留空间关系却受限于测序深度与分辨率。这些特征使传统分析流程在降噪、批次校正、聚类与组织结构解析等环节都面临瓶颈。随着人工智能技术的快速发展，转录组数据分析正在经历从任务驱动到表征驱动、再到智能体协同的范式转变。

中国科学院昆明动物研究所张超团队近期在 Advanced Science 上系统综述了人工智能在单细胞和空间转录组中的最新进展，将现有方法按设计理念与适用场景分为三大类：任务特定模型（Task-specific models）、基础模型（Foundation Models）和 AI 智能体（AI Agents）。文章按典型数据处理流程展开，讨论了三类方法在不同任务中的优势、局限以及相互补充的关系。

图 1. 人工智能方法可分为三类：特定任务模型，具有较强可解释性但泛化性有限；基础模型，借助大规模数据学习可迁移表征；以及AI智能体，通过整合上述模块实现工作流自动化，并支持基于自然语言的交互操作。

作者首先回顾了单细胞与空间转录组常见分析流程，并总结任务特定模型在去噪、降维、细胞类型注释、轨迹推断、空间聚类和去卷积等任务中的发展。此类模型架构精简、训练成本低、可解释性强，但普遍存在泛化性有限的问题。随后，文章重点讨论近年来兴起的基础模型和AI Agents 的推动作用。基础模型通过大规模预训练实现跨任务迁移与强表征能力，能够显著提升空间预测、跨物种整合和细胞类型识别等任务的表现。然而，其计算资源需求高、训练成本大，让部分研究者难以使用。与此同时，AI Agents 作为一种新兴的“工作流智能体”，可以调用任务特定工具、解析用户指令并自动执行分析步骤，在组织多模态数据分析、加速科研迭代方面展现潜力。作者也指出，当前 Agent 的有效性高度依赖大语言模型能力，端到端的稳健性能仍需进一步发展。最后，综述提出了该领域的若干关键机遇与挑战。作者展望三类方法将在未来趋于融合，构建一个面向科研需求的“虚拟实验室（virtual lab）”，以更智能、更可靠的方式推动生物发现。作为补充，作者团队提供了一个公开维护的网站，系统汇总了本文讨论的算法及其对应的可访问性、性能指标和训练方法：https://zhanglab-kiz.github.io/review-ai-transcriptomics

昆明动物所博士生李世鑫，硕士生肖天翔，科研助理兰媛媛为共同第一作者，张超研究员为该论文通讯作者。北京大学李程研究员为该文提供了大量建设性建议和意见。

相关成果以 Artificial Intelligence Revolution in Transcriptomics: From Single Cells to Spatial Atlases为题在线发表于生物信息学著名期刊 Advanced Science。原文链接：https://doi.org/10.1002/advs.202518949