杂细胞相互作用的重要工具。然而，单细胞组学及空间组学产生的数据不仅维度更高，而且蕴藏的信息量也更大；因此，亟需相关生物信息学的计算方法，来更全面地解构和厘清组织的组成和功能异质性。针对上述难题，我们融合人工智能计算方法和模型，建立了一系列解构单细胞及空间组学中异质信号的工具和方法，取得多项创新成果：在单细胞组学方面，建立了胞外小囊泡异质性追踪算法SEVtras，首次以细胞外尺度描绘了不同类型细胞的生理活动状态；在空间组学方面，大幅拓宽了空间组学的测量范式，实现了全组织切片水平的高分辨率空间蛋白质组检测。上述工作加深了单细胞和空间组学解析深度，并为未来高内涵组学数据的挖掘研究奠定了重要的方法学基础，相关成果发表于Cell, Nature Methods等国际知名期刊。