L'IA face aux grands problèmes du monde · Sciences du vivant · arXiv · 2026-10-21
Apprentissage de représentations spatialement informées et sensibles à la direction pour la transcriptomique spatiale
Titre original: Spatially Informed and Direction Sensitive Representation Learning for Spatial Transcriptomics
Les états cellulaires sont façonnés à la fois par les programmes d'expression génique et par le microenvironnement spatial, mais les méthodes existantes peuvent négliger les signaux structurés spatialement ou réduire l'environnement d'une cellule à la seule proximité, en abandonnant la direction. L'étude présente Tessera, un cadre d'apprentissage de représentations spatiales qui associe une sélection de gènes informée spatialement à un biais inductif géométrique modélisant les relations relatives entre cellules, tout en restant invariant par translation et en préservant la direction. Sur des tissus et des technologies tenus à l'écart, Tessera surpasse les modèles de fondation spatiaux existants en qualité de représentation et généralise en zero-shot à des contextes jusqu'à 16 fois plus vastes que ceux vus à l'entraînement.