C3-Diff：基于跨模态跨内容对比扩散建模的空间转录组学超分辨
计算机视觉与模式识别
2025-11-11 v1 人工智能
摘要
空间转录组学（ST），即空间基因表达，的快速发展使得在原始组织中测量基因表达成为可能，从而让我们能够发现分子机制。然而，当前的ST平台经常受限于低分辨率，阻碍了对空间基因表达的深入理解。超分辨方法有望通过将组织学图像与已分析组织点的基因表达相融合来增强ST图谱。然而，对组织学图像与基因表达之间的交互进行建模以实现有效的ST增强仍是一项挑战。本研究提出了一种跨模态跨内容对比扩散框架，称为C3-Diff，以组织学图像为引导进行ST增强。在C3-Diff中，我们首先分析了传统对比学习范式的不足，随后对其进行了改进，以提取ST图谱与组织学图像的模态不变特征与内容不变特征。此外，为克服ST图谱中测序灵敏度低的问题，我们在特征单位超球面上执行基于加噪的信息增强。最后，我们提出了一种基于动态跨模态插补的训练策略，以缓解ST数据稀缺问题。我们在四个公开数据集上对C3-Diff进行了基准测试，相较于竞争方法取得了显著提升。此外，我们还在细胞类型定位、基因表达相关性以及单细胞级基因表达预测等下游任务上评估了C3-Diff，推动了AI增强生物技术在生物医学研究与临床应用中的发展。代码可在 https://github.com/XiaofeiWang2018/C3-Diff 获取。
引用
@article{arxiv.2511.05571,
title = {C3-Diff: Super-resolving Spatial Transcriptomics via Cross-modal Cross-content Contrastive Diffusion Modelling},
author = {Xiaofei Wang and Stephen Price and Chao Li},
journal= {arXiv preprint arXiv:2511.05571},
year = {2025}
}