CHRep：基于交叉组学的组织学表示与后验校准用于空间基因表达预测
计算机视觉与模式识别
2026-04-24 v1 定量方法
摘要
空间转录组学(ST)实现了空间分辨的基因谱 profiling，但仍昂贵且低通量，限制了大规模队列研究和常规临床应用。从常规hematoxylin and eosin(H&E)切片预测空间基因表达是一种有前景的替代方案，但在实际的leave-one-slide-out评估中，现有模型常因切片级别的外观偏移以及回归驱动的过平滑问题而抑制生物学上有意义的变异。CHRep是一个两阶段框架，用于稳健的组织学到表达预测。在训练阶段，CHRep通过联合优化相关性感知的回归、对称的图像-表达对齐以及由坐标诱导的空间拓扑正则化来学习结构感知表示。在推理阶段，通过结合训练画廊中的非参数估计和幅度正则化校正模块，无需微调主干网络即可提高跨切片鲁棒性。与依赖单一预测路径的先前嵌入对齐或基于检索的迁移方法不同，CHRep将保持拓扑的表示学习与后验校准相耦合，实现稳定的邻域检索和受切片级别偏移下的受控偏差校正。在三个队列中，CHRep在leave-one-slide-out评估下持续改进基因相关性，尤其在Alex+10x上获得最大提升。相对于HAGE，所有考虑的基因[PCC(ACG)]的Pearson相关系数提高了4.0%（cSCC）和9.8%（HER2+）。相对于mclSTExp，PCC(ACG)在Alex+10x上进一步提高39.5%，同时将均方误差(MSE)和平均绝对误差(MAE)分别降低9.7%和9.0%。
引用
@article{arxiv.2604.21573,
title = {CHRep: Cross-modal Histology Representation and Post-hoc Calibration for Spatial Gene Expression Prediction},
author = {Changfan Wang and Xinran Wang and Donghai Liu and Fei Su and Lulu Sun and Zhicheng Zhao and Zhu Meng},
journal= {arXiv preprint arXiv:2604.21573},
year = {2026}
}