DELST：用于空间转录组学中双向蕴含学习的双闯入学习框架
计算机视觉与模式识别
2025-03-04 v1 人工智能
摘要
空间转录组学（ST）将基因表达图谱置于组织切片上的单个位置，从而成为多模态表征学习的宝贵资源。此外，ST本身包含跨模态和单模态内的丰富层次信息。例如，不同位置的spot exhibits varying numbers of nonzero gene expressions，corresponding to different levels of cellular activity and semantic hierarchies。然而，现有方法依赖于图像-基因对的对比对齐，无法准确捕捉ST数据中复杂的层次关系。本文提出了DELST（Dual Entailment Learning for Hyperbolic Image-Gene Pretraining in Spatial Transcriptomics），这是第一个在图像-基因预训练中嵌入双曲表示并建模层次关系的框架：（1）跨模态蕴含学习，建立基因与图像之间的顺序关系，以增强图像表征的泛化能力；（2）单模态蕴含学习，将基因表达图案编码为层次关系，指导在全局尺度上对不同样本进行层次学习，并将生物学见解整合到单模态表征中。大量实验表明，我们的框架在由病理学家注释的ST基准数据集上表现出色，预测性能优于现有方法。我们的代码和模型可在 https://github.com/XulinChen/DELST 查阅。
引用
@article{arxiv.2503.00804,
title = {DELST: Dual Entailment Learning for Hyperbolic Image-Gene Pretraining in Spatial Transcriptomics},
author = {Xulin Chen and Junzhou Huang},
journal= {arXiv preprint arXiv:2503.00804},
year = {2025}
}