基于语义引导的空间转录组数据聚类框架：基因的语义化

空间转录组学实现了带有空间背景的基因表达轮廓，为组织微环境提供了前所未有的洞见。然而，大多数计算模型将基因视为孤立的数值特征，忽略了其符号中编码的丰富生物学语义。这阻碍了对关键生物学特征的深入理解。为克服这一限制，我们提出SemST（Semantic-Guided Spatial Transcriptomics）框架。SemST利用大型语言模型（LLM）使基因能够通过其符号意义“发声”，将每个组织切片内的基因集合转化为生物学信息化嵌入。这些嵌入随后与图神经网络（GNN）捕获的空间邻域关系融合，实现了生物功能与空间结构的协同整合。我们进一步引入细粒度语义调制（FSM）模块，以最佳方式利用这些生物学先验。FSM模块学习每个切片的仿射变换，使语义嵌入能够对空间特征进行元素级校准，从而动态地将高阶生物学知识注入空间语境。广泛的在公开空间转录组数据集上的实验表明，SemST实现了最先进的聚类性能。关键的是，FSM模块具有即插即用式的多样性，始终在集成到其他基线方法后提升性能。