作者，Evil Genius
技术的发展总是很快，马上Atera就要出了，大家敢做第一批吃螃蟹的人么？
今天我们要更新脚本，关于高精度分析通讯的策略问题。
之前的分享，低精度的五种通讯分析思路大家一定要心里有数，找到适合自己课题的方案，不要瞎做，分享的文章在课前准备--低精度（visium）五大通讯思路汇总.
那么来到高精度，又会有一些不同。
传统的空间分析方法通常需要严格的先验生物学假设，或者仅仅检测频繁出现的细胞共定位现象，从而遗漏那些罕见但功能关键的相互作用。
今天我们分享的方法需要克服这个问题。
推断细胞间相互作用的方法策略
图构建的两种采样策略
Bucket（分桶）策略：将ROI内所有细胞随机分配到固定数量的桶中，每个患者贡献等量样本，避免细胞数多的患者产生偏差。
Voronoi（维诺图）策略：基于空间划分，保留组织结构。引入“模糊边界”参数，使边界细胞可属于多个分区，以减轻边缘效应。
最终根据模型性能选择最优策略。
弱监督训练与交互推断
模型在分类任务（如组织区域或患者标签）上优化，不直接使用节点标签。
训练完成后，事后汇总注意力分数，结合细胞类型标签计算“交互分数”，揭示对分类标签最具预测作用的细胞类型对。
最终得到与目标疾病表型相关的、可解释的细胞-细胞交互关系。
肝癌中的运用
在1型糖尿病（T1D）中识别胰岛β细胞与T细胞之间免疫相互作用的应用
图构建与模型训练：
模糊边界参数 fborder=0.8,径向半径 r=27像素，有效缓解过拟合。采用Voronoi分区策略，选取图像中20%的细胞作为中心。
最终训练图3249个，测试图1082个，三类标签均衡。
对比发现bucket分桶策略泛化能力较差，尤其在区分对照组与长期糖尿病患者时表现不佳。
