KI und die schwierigen Probleme der Welt · Lebenswissenschaften · arXiv · 2026-10-21
Räumlich informiertes und richtungssensitives Repräsentationslernen für räumliche Transkriptomik
Originaltitel: Spatially Informed and Direction Sensitive Representation Learning for Spatial Transcriptomics
Zelluläre Zustände werden sowohl durch Genexpressionsprogramme als auch durch das räumliche Mikromilieu geprägt, doch bestehende Methoden können räumlich strukturierte Signale übersehen oder die Umgebung einer Zelle allein auf Nähe reduzieren und dabei die Richtung verwerfen. Die Studie stellt Tessera vor, ein Framework für räumliches Repräsentationslernen, das räumlich informierte Genselektion mit einem geometrischen induktiven Bias kombiniert, der relative Zell-zu-Zell-Beziehungen modelliert, translationsinvariant bleibt und dabei die Richtung bewahrt. Über zurückgehaltene Gewebe und Technologien hinweg übertrifft Tessera bestehende räumliche Foundation-Modelle in der Repräsentationsqualität und generalisiert Zero-Shot auf Kontexte, die bis zu 16-mal größer sind als die im Training gesehenen.