用于形态学到转录组学预测的程序空间扩散模型

中文摘要 AI 辅助

空间转录组学（ST）可在保留组织结构的同时实现全基因组基因表达谱分析，但其成本高、可扩展性有限仍是主要瓶颈，这促使研究者开发能直接从常规组织学图像预测空间表达的模型。尽管现有方法取得了一定进展，但多数方法在基因层面操作，未利用成熟的转录组建模实践，且依赖异质性基因选择策略，这使得不同方法间的公平比较变得复杂。我们建议将形态学到转录组学预测重新表述为转录程序空间中的条件生成任务，从而利用协调的转录变异而非独立预测基因。通过共识非负矩阵分解（cNMF），我们从训练数据中提取一组捕获协调表达变异的低维转录程序，并训练条件扩散模型以从组织学图像生成程序激活值。这种表述利用了协调的转录变异，大幅降低了条件生成任务的维度。

英文摘要

Spatial transcriptomics (ST) enables genome-wide gene expression profiling while preserving tissue architecture, but its cost and limited scalability remain major bottlenecks. This has motivated models that predict spatial expression directly from routine histology. Despite promising results, most existing approaches operate at the gene level without leveraging established transcriptomic modeling practices and rely on heterogeneous gene selection strategies, which complicates fair comparison across methods. We propose to reformulate morphology-to-transcriptomics prediction as conditional generation in transcriptional program space, thereby exploiting coordinated transcriptional variation instead of predicting genes independently. Using consensus non-negative matrix factorization (cNMF), we extract a low-dimensional set of transcriptional programs capturing coordinated expression variation in the training data, and train a conditional diffusion model to generate program activations from histology. This formulation exploits coordinated transcriptional variation and substantially lowers the dimensionality of the conditional generative task.

发表机构

• Sorbonne Université（索邦大学）
• CNRS（法国国家科学研究中心）
• Inserm（法国国家健康与医学研究院）
• AP-HP（巴黎公共医疗集团）
• Inria（法国国家信息与自动化研究所）
• Paris Brain Institute – ICM（巴黎脑研究所 – ICM）

机构由 AI 辅助整理，请以论文原文为准。