- 2 次围观
单细胞RNA测序（scRNA-seq）能够以高分辨率描绘转录组，但会丢失细胞在组织中的空间背景信息——而这类信息对于研究细胞间机制和组织结构至关重要。空间转录组学（ST）保留了空间坐标，但根据所采用的检测方法不同，需要在基因面板覆盖范围、空间分辨率或成本之间进行权衡。我们提出了G2T（Gene-to-Tissue）模型，这是一种生成式深度学习模型，仅以基因表达作为观测输入，通过预测细胞在学习得到的嵌入空间中的成对距离矩阵，从而重建组织。G2T采用基于注意力机制的Transformer，并配备欧氏距离矩阵（EDM）输出头；模型通过条件流匹配进行训练：网络以切片的基因表达为条件，对受扰动的细胞位置进行去噪，并预测各细胞的嵌入，使其成对平方距离与真实距离矩阵相匹配。在推理阶段，通过快速的局部最优块（LOBPCG）多维尺度分析步骤，将预测的距离矩阵转换为二维坐标。在已发表的MERFISH小鼠初级运动皮层基准数据集上，与此前的最先进方法LUNA相比，G2T在三项标准指标上均取得了更优表现——成对距离秩的Spearman相关系数、Contact F1以及逐细胞类别的Sum RSSD；在小鼠中枢神经系统scRNA-seq图谱上的相对提升幅度更大，该评估所依据的是插补得到的空间参考（基于STARmap PLUS整合的位置，而非实测坐标）。通过在更高维的嵌入空间中预测这种几何结构，而不是直接回归二维坐标，G2T放宽了此前基于扩散方法所采用的二维输出参数化限制，并提供了一个紧凑且可扩展的组织重建构建模块，可利用解离细胞重建组织，从而支持后续的空间生态位分析和细胞间通信分析。
单细胞RNA测序（scRNA-seq）能够以高分辨率刻画转录组，但会丢失细胞在组织中的空间背景信息——而这些信息对于研究细胞间作用机制和组织结构至关重要。空间转录组学（ST）保留了空间坐标，但根据所采用的检测技术不同，往往需要在基因面板覆盖范围、空间分辨率或成本之间进行权衡。我们提出G2T（Gene-to-Tissue）模型，这是一种生成式深度学习模型，仅以基因表达作为观测输入，通过预测学习到的嵌入空间中细胞之间的成对距离矩阵，从而重构组织。G2T采用基于注意力机制的Transformer，并配备欧氏距离矩阵（EDM）输出头；模型通过条件流匹配进行训练：网络以切片的基因表达为条件，对受扰动的细胞位置进行去噪，并预测每个细胞的嵌入表示，使其成对平方距离与真实距离矩阵相匹配。在推理阶段，快速的局部最优块（LOBPCG）多维尺度分析步骤将预测的距离矩阵转换为二维坐标。
在已发表的MERFISH小鼠初级运动皮层基准数据集上，与此前的最先进方法LUNA相比，G2T在三项标准指标上均取得了改进——成对距离秩的Spearman相关系数、接触F1值以及按细胞类别计算的Sum RSSD；在小鼠中枢神经系统scRNA-seq图谱上的相对提升更为显著，但该评估所依据的是插补得到的空间参考（由STARmap PLUS整合得到的位置，而非实测坐标）。G2T并非直接回归二维坐标，而是在更高维的嵌入空间中预测组织几何结构，因此放宽了以往基于扩散方法的二维输出参数化限制，并为从解离细胞重构组织提供了紧凑且可扩展的基础模块，从而支持后续的空间生态位和细胞间通信分析。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.25.746917v1?rss=1
🏷️ 单细胞RNA测序 空间转录组学 组织重建 生成式深度学习 流匹配 多维尺度分析