CausalGeD：融合因果性与扩散的空间基因表达生成
计算机视觉与模式识别
2025-02-12 v1 基因组学
摘要
整合单细胞 RNA 测序（scRNA-seq）与空间转录组学（ST）数据对于理解空间语境下的基因表达至关重要。现有的此类整合方法性能有限，结构相似度通常低于 60%。我们将这一局限性归因于未能考虑基因间的因果关系。我们提出了 CausalGeD，它结合了扩散和自回归过程以利用这些关系。通过将因果注意力 Transformer 从图像生成推广到基因表达数据，我们的模型无需预定义关系即可捕捉调控机制。在 10 个组织数据集上，CausalGeD 在包括 Pearson 相关系数和结构相似度在内的关键指标上比最先进的基线高出 5-32%，推进了技术与生物学两方面的见解。
引用
@article{arxiv.2502.07751,
title = {CausalGeD: Blending Causality and Diffusion for Spatial Gene Expression Generation},
author = {Rabeya Tus Sadia and Md Atik Ahamed and Qiang Cheng},
journal= {arXiv preprint arXiv:2502.07751},
year = {2025}
}