基于 3D 指导的可扩展流匹配：用于从序列组织学生成体积组织空间转录组
计算机视觉与模式识别
2025-11-26 v2
摘要
可扩展且稳健的 3D 组织转录组轮廓可实现对组织组织结构的整体理解，并为人类生物学和疾病提供更深入的见解。大多数预测从组织学直接推断 ST 的算法会独立处理每个切片，忽略 3D 结构，而现有的 3D 注意方法又非生成式且难以扩展。我们提出了 Holographic Tissue Expression Inpainting and Analysis (HoloTea)，一种 3D 注意力流匹配框架，从 H&E 推断切片级基因表达，同时显式利用相邻切片的信息。我们的关键思想是检索在共享特征空间中相邻切片上形态对应的斑点，并将这种跨切片上下文融合到轻量级 ControlNet 中，以实现解剖连续性的条件化。为更好地捕捉数据的计数本质，我们引入了一种 3D 一致的先验，用于流匹配，将学习的零膨胀负二项 (ZINB) 先验与来自相邻切片构建的空间经验先验相结合。全局注意力块以斑点数量线性增长的方式引入 3D H&E 缩放，使大型 3D ST 数据集的训练和推断成为可能。在跨越不同组织类型和分辨率的三个空间转录组数据集上，HoloTea 在 3D 表达准确性和泛化性方面一致性地优于 2D 和 3D 基线方法。我们设想 HoloTea 推动准确 3D 虚拟组织的创建，从而加速生物标志物的发现并加深我们对疾病的理解。
引用
@article{arxiv.2511.14613,
title = {3D-Guided Scalable Flow Matching for Generating Volumetric Tissue Spatial Transcriptomics from Serial Histology},
author = {Mohammad Vali Sanian and Arshia Hemmat and Amirhossein Vahidi and Jonas Maaskola and Jimmy Tsz Hang Lee and Stanislaw Makarchuk and Yeliz Demirci and Nana-Jane Chipampe and Muzlifah Haniffa and Omer Bayraktar and Lassi Paavolainen and Mohammad Lotfollahi},
journal= {arXiv preprint arXiv:2511.14613},
year = {2025}
}
备注
19 pages