面向生物发现与临床预测的空间转录组和组织学多模态基础模型
人工智能
2026-04-07 v1 定量方法
摘要
空间转录组学（ST）使基因表达在解剖语境中的映射成为可能，但仍然昂贵且低通量。苏木精石（H&E）染色提供了丰富的形态学信息，却缺乏分子分辨率。我们提出了 \textbf{\ours}（\textbf{S}patial \textbf{T}ranscriptomics and hist\textbf{O}logy \textbf{R}epresentation \textbf{M}odel），一个在 18 种器官上训练的基于 120 万个空间分辨转录组轮廓与匹配组织学的基础模型。通过一种层次化架构整合形态特征、基因表达和空间语境，STORM 通过稳健的分子-形态表示将影像和组学连接起来。STORM 增强了空间域的发现，产生生物学连贯的组织图谱，并在 11 种肿瘤类型中超越现有方法，对 H&E 图像的空间基因表达预测表现更好。该模型具有平台中性，在 Visium、Xenium、Visium HD 和 CosMx 上均能一致表现。在应用于 23 个独立队列（包含 7245 名患者）时，STORM 在免疫治疗反应预测和预后评估方面显著优于既定生物标志物，为在空间上信息化的发现和临床精密医学提供可扩展框架。
引用
@article{arxiv.2604.03630,
title = {A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction},
author = {Jinxi Xiang and Siyu Hou and Yuchen Li and Ryan Quinton and Xiaoming Zhang and Feyisope Eweje and Xiangde Luo and Yijiang Chen and Zhe Li and Colin Bergstrom and Ted Kim and Sierra Willens and Francesca Maria Olguin and Matthew Abikenari and Andrew Heider and Sanjeeth Rajaram and Joel Neal and Maximilian Diehn and Xiang Zhou and Ruijiang Li},
journal= {arXiv preprint arXiv:2604.03630},
year = {2026}
}
备注
29 pages, 5 figures. This manuscript is a work in progress; further updates and revisions will be posted as they become available