Dr. Hannah Spitzer

我们的研究小组使用计算分析和机器学习算法，从健康和疾病状态下复杂、多模态和多尺度的大脑数据集中识别模式和关系。我们与国内外合作伙伴合作，应用计算生物学和计算机视觉领域的新方法，从大脑数据集中获得新的见解，主要关注神经血管和神经退行性表型。我们专注于从复杂的高维数据集中学习可解释的表征，以便我们能够轻松解释结果的生物学相关性，并最终理解潜在的疾病机制。

我们对以下领域特别感兴趣：

1）空间组学：

我们旨在通过分析空间背景下的基因和蛋白质表达，更深入地了解大脑的细胞组织结构。利用包括 10x Visium 和 MERFISH 在内的空间组学数据集，我们提取空间基因和蛋白质表达模式，并将其与形态学和单细胞 RNA 测序数据关联起来。为此，我们最近与慕尼黑亥姆霍兹大学的 Fabian Theis 合作开发了空间组学分析工具箱 squidpy（Palla, Spitzer 等人，《自然方法》2021）和亚细胞分析方法 campa（Spitzer, Berry 等人，《自然方法》2023）。

2）图像表示学习：

我们建立了从组织学和神经影像数据中提取可解释特征的流程，并运用先进的深度学习算法。作为与伦敦大学学院的 Sophie Adler 和 Konrad Wagstyl 合作开展的 MELD 项目的一部分，我们目前正在使用图神经网络识别大量癫痫患者中的局灶性皮质发育不良病变（Spitzer、Ripart 等人，Brain 2022 和 Spitzer、Ripart 等人，MICCAI 2023）。我们的目标是开发和应用先进的图像分析技术，帮助我们更好地理解与神经退行性疾病相关的脑结构性变化。

3）跨模态和跨数据集学习：

我们的目标是将跨疾病和不同模态的数据集整合成一个多模态、多尺度的脑图谱。通过整合来自不同来源和疾病的数据，我们希望识别跨疾病的保守特征，并研究不同模态之间的相关性。为此，我们目前正在与德国于利希研究中心的合作者合作，在亥姆霍兹成像项目的背景下，研究机器学习方法，以将空间组学和组织学连接成一个多模态表征。