AI 與世界的難題 · 生命科學 · arXiv · 2026-10-21
空間轉錄體學之空間資訊感知與方向敏感的表徵學習
原標題: Spatially Informed and Direction Sensitive Representation Learning for Spatial Transcriptomics
細胞狀態由基因表現程式與空間微環境共同塑造,但現有方法可能忽略具有空間結構的訊號,或將細胞的周遭環境簡化為僅有鄰近性,而捨棄方向性。該研究提出 Tessera,這是一個空間表徵學習框架,結合具空間資訊的基因選擇,以及建模細胞間相對關係的幾何歸納偏誤,在保留方向性的同時保持平移不變性。在留出的組織與技術上,Tessera 在表徵品質上優於現有的空間基礎模型,並能零樣本泛化至比訓練時所見大達 16 倍的情境。