INST-Align：基于标准表达场的空间转录组隐式神经对齐
计算机视觉与模式识别
2026-04-15 v1
摘要
空间转录组 (ST) 在保持空间组织结构的同时测量 mRNA 表达，但多切片分析面临两个耦合难题：跨切片的大尺度非刚性变形以及独立处理对齐和整合时的切片间批次效应。我们提出 INST-Align，一种无监督的两两切片框架，耦合基于坐标的变形网络与共享的标准表达场 (Canonical Expression Field)，后者作为隐式神经表示将空间坐标映射到表达嵌入向量，以实现联合对齐与重建。采用两阶段训练策略：首先建立稳定的标准嵌入空间，再联合优化变形和空间特征匹配，从而实现受约束的对齐与表示学习。标准场的参数共享跨切片可正则化模糊对应关系并吸收批次变异。在九个数据集上，INST-Align 实现了最新平均 OT 准确率 (0.702)、最近邻准确率 (0.719) 以及形状距离 (Chamfer distance)，其中在大变形切片上相对于最强基线的 Chamfer 距离降低最高可达 94.9%。该框架还产生生物学有意义的空间嵌入和连贯的 3D 组织重建。代码将在审稿阶段后公开发布。
引用
@article{arxiv.2604.12084,
title = {INST-Align: Implicit Neural Alignment for Spatial Transcriptomics via Canonical Expression Fields},
author = {Bonian Han and Cong Qi and Przemyslaw Musialski and Zhi Wei},
journal= {arXiv preprint arXiv:2604.12084},
year = {2026}
}
备注
10 pages, 2 figures, 3 tables. Submitted to MICCAI 2026