arXiv cs.AI· Xiaoqing Lian, Pei Liu, Jiahui Tan, Quan Zou, Chen Lin, Xiangxiang Zeng·· 3 天前AI 评分20
理解基因表达到图像学习：空间结构与信息保真度
Understanding Gene Expression-to-Image Learning: Spatial Structure and Information Fidelity
AI 导读
研究在固定网络与训练流程下考察 GE2I（基因表达到图像）机制，发现空间平滑性与基因级保真度之间存在权衡：结构化映射产生平滑低频模式、早期优化更快，但多基因共享同一像素会模糊表达差异并可能降低预测性能。一对一基因到像素分配在测试的视觉骨干网络上均提升预测，即使图像平滑度下降；预训练与数据增强的收益则取决于骨干网络和映射方式。
正文 · AI 翻译
摘要：单细胞 RNA 测序（scRNA-seq）使生物异质性的细胞水平分析成为可能，但从高维、无序的基因表达谱中学习有效表征仍然具有挑战性。基因表达到图像（GE2I）通过将基因值排列在像素网格上以供卷积神经网络使用，提供了一种有效的学习策略，但其底层机制仍不清楚。我们在全转录组数据上研究 GE2I，同时保持网络和训练过程不变。我们的结果揭示了空间平滑性与基因级保真度之间的权衡。结构化映射产生平滑的低频模式，支持更快的早期优化，而将多个基因分配到同一像素会掩盖表达差异，并可能降低预测性能。这种权衡解释了为什么在表示许多基因时，随机映射可以与结构化布局相竞争。即使图像平滑性下降，一对一的基因到像素分配也能在测试的视觉骨干网络上改善预测。我们进一步发现，预训练和数据增强的收益取决于骨干网络和映射方式。这些发现为像素分配以及将视觉先验迁移到基因表达数据提供了实用指导。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG）；基因组学（q-bio.GN） |
| 引用为： | arXiv:2610.17699 [cs.AI] |
| （或 arXiv:2610.17699v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17699 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Xiaoqing Lian [查看电子邮件]
[v1]
2026年10月13日星期二 04:26:16 UTC（5,782 KB）
来源：arXiv cs.AI · arxiv.org