Tag · 9 篇

空间转录组学

Predicting Spatial Transcriptomics from Histology Images via High-Order Multi-Cell Interaction Modeling

把多体注意力（many-body attention）与分层耦合引入全切片图像的多细胞建模，为病理图像中建模高阶、多对多的细胞间依赖提供了可复用的注意力设计，可迁移到其他需要超长程、多实体交互的密集预测任务。

Multi-View Hierarchical Alignment Learning for Spatial Transcriptomics

论文提出的层次化对齐学习（样本级正样本对齐+原型级对比学习）可迁移到多视图视觉表征学习任务中，例如多模态图像聚类或跨视角特征融合，为视觉领域处理视图间不一致性和语义监督缺失提供了一种通用框架。

HyperST: Hierarchical Hyperbolic Learning for Spatial Transcriptomics Prediction

将双曲几何引入跨模态对齐，利用层次结构建模图像与基因表达的多层级关系，为视觉-组学跨模态预测提供可复用的表征学习框架。

From Spots to Pixels: Dense Spatial Gene Expression Prediction from Histology Images

将空间基因表达预测从基于裁剪斑块的分类/回归范式转变为密集连续图预测，并支持多尺度斑块聚合，为病理图像中的空间组学分析提供了可复用的密集预测框架。

FEAST: Fully Connected Expressive Attention for Spatial Transcriptomics

将组织建模为全连接图并引入负感知注意力，可迁移到其他需要建模长程成对交互的视觉任务（如病理图像分析、点云配准）；离网采样策略为从全扫描图像中提取更丰富形态上下文提供了新思路。

Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference

把病理基础模型提取的图像嵌入当作跨切片相似度度量，再用掩码图对比学习在切片间迁移知识——这套「基础模型嵌入 + 异构图对比」的范式可直接迁移到其他需要跨样本/跨域迁移的病理与医学图像预测任务。

Cell-Type Prototype-Informed Neural Network for Gene Expression Estimation from Pathology Images

将单细胞RNA测序数据构建的细胞类型原型作为结构正则，引导从病理图像预测基因表达，为计算病理中的弱监督回归与可解释性提供了新思路。

Bulk RNA-seq Guided Multi-modal Detection of Anomalous Regions in Human Cancer via Spatial Transcriptomics

将病理图像与空间转录组数据通过最优传输对齐基因模块，为多模态医学图像分析提供了一种跨模态对齐与融合的通用思路，可借鉴到其他需要整合组学与影像的任务中。

Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images

将预训练单细胞基础模型通过轻量级视觉条件调制（SoftAdaLN）和掩码扩散目标适配到组织学图像条件生成，为视觉-组学跨模态生成提供可复用的条件注入与目标对齐策略。