GROVER：基于图引导的Omics与视觉表示，运用专家调控进行自适应空间多组学融合

有效建模多模态空间组学数据对于理解组织复杂性和潜在生物机制至关重要。虽然空间转录组、蛋白组和表观基因组捕捉分子特征，但缺乏病理形态学背景。将这些组学数据与组织病理图像集成因此对于全面疾病组织分析至关重要。然而，跨组学、成像和空间模态之间的显著异质性提出了重大挑战。朴素的语义上差异的来源融合常导致表征模糊不清。此外，高分辨率组织学图像与较低分辨率测序spot之间的分辨率不匹配也使空间对齐复杂化。样本准备期间的生物学扰动进一步扭曲了模态特有的信号，阻碍了准确集成。为解决这些挑战，我们提出了基于图卷积网络编码器的GROVER框架——Graph-guided Representation of Omics and Vision with Expert Regulation for Adaptive Spatial Multi-omics Fusion。GROVER利用基于Kolmogorov-Arnold网络的图卷积网络编码器来捕捉每个模态及其相关空间结构之间的非线性依赖关系，从而产生具有表达性的、针对每个模态的嵌入表示。为对齐这些表示，我们引入基于spot-feature对比学习策略，以显式优化跨模态在每个spot处的对应关系。此外，我们设计了动态专家路由机制，自适应选择每个spot最具信息量的模态，同时抑制噪声或质量较低的输入。在真实世界空间组学数据集上的实验表明，GROVER超过了领先的基线方法，为多模态集成提供了稳健可靠的解决方案。