具有全切片注意力机制的多模态基础模型实现了单细胞分辨率下可迁移的数字病理分析

成对的组织病理学与空间转录组学数据正在推动我们对组织生物学和疾病的理解，但要在单细胞分辨率下对这两种模态进行建模，同时映射局部及远距离的细胞—细胞相互依赖关系，在计算上仍然代价高昂、难以实现。 在此，我们提出 TissueFormer，这是一个用于预训练基础模型的框架，其计算复杂度为线性而非二次，从而突破了长期以来在大规模建模长程依赖关系方面的障碍。TissueFormer 在来自 1.2K 张组织切片的超过 1700 万个图像—表达配对样本上进行了训练，能够在细胞分辨率下从组织学图像中高效预测空间基因表达，并可扩展应用于细胞、区域和切片水平的诊断任务。 此外，通过识别长程和短程的细胞—细胞相互依赖关系，我们的模型能够生成关于疾病机制和分期的可检验假设，这一点已在肺纤维化和乳腺癌研究中得到证明。

配对的组织病理学与空间转录组学数据正在推进我们对组织生物学和疾病的理解，但在单细胞分辨率下对这两种模态进行建模，同时刻画局部与远端的细胞—细胞相互依赖关系，在计算上仍然代价高昂、难以实现。在此，我们提出 TissueFormer，这是一个用于预训练基础模型的框架，其计算复杂度为线性而非二次，从而突破了长期以来在大规模建模长程依赖关系方面的障碍。TissueFormer 基于来自 1.2K 张组织切片的超过 1700 万个图像—表达配对样本进行训练，在细胞分辨率下根据组织学图像预测空间基因表达方面表现优异，并且可扩展至细胞、区域和切片层面的诊断任务。此外，通过识别长程和短程的细胞—细胞相互依赖关系，我们的模型能够生成关于疾病机制和分期的可检验假设，这一点已在肺纤维化和乳腺癌中得到展示。

F.C. 是 Curio Bioscience 和 Doppler Biosciences 的学术创始人，并担任 Amber Bio 的科学顾问。F.C. 的相关利益已由 Broad Institute 依据其利益冲突政策进行审查和管理。其余所有作者声明不存在竞争性利益。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.31.741265v1?rss=1

🏷️ 数字病理 空间转录组学 基础模型 单细胞分辨率 多模态学习 细胞间相互作用