arXiv cs.AI· Azim Dehghani Amirabad, Ali Khodabandeh Yalabadi, Artem Moskalev, Yun-Ching Chen, Mehdi Pirooznia, Scott Oloff, Rui Liao·· 11 小时前AI 评分22
Tessera：面向空间转录组的方向敏感空间表示学习框架
Spatially Informed and Direction Sensitive Representation Learning for Spatial Transcriptomics
AI 导读
Tessera 是一个空间表示学习框架，结合空间信息驱动的基因选择与几何归纳偏置，在建模细胞间相对关系时保持平移不变性同时保留方向信息。在留出组织和不同技术平台上，Tessera 的表示质量优于现有空间基础模型，并可零样本泛化到比训练时大 16 倍的空间上下文。该工作已被 NeurIPS 2026 AI4DD Workshop 接收。
正文 · AI 翻译
摘要：细胞状态既受内在基因表达程序的影响，也受细胞所处空间微环境的塑造。空间转录组学使这一背景变得可测量，但有效的表征学习需要同时捕捉具有空间信息的分子信号和细胞间组织。现有方法仅部分解决了这些挑战：传统基因选择可能忽略具有空间结构的信号，而编码细胞间关系的方法往往要么将细胞的微环境简化为仅邻近性、丢弃方向信息，要么依赖与任意组织坐标系绑定的绝对坐标。因此，邻居距离相似但空间组织不同的细胞可能获得过于相似的表示，尽管它们所处的、塑造其细胞状态的生物学背景并不相同。我们提出 Tessera，一个同时解决分子选择和细胞背景问题的空间表征学习框架。Tessera 将具有空间信息的基因选择与一种几何归纳偏置相结合，使每个细胞在其局部组织环境中获得背景化。通过建模相对细胞间关系，Tessera 具有平移不变性，同时保留方向信息，使邻近细胞能够根据其空间背景和细胞状态产生不同的贡献。在留出组织和多种技术上，Tessera 在表征质量上优于现有的空间基础模型，并能零样本泛化到比训练时所见大至多 $16\times$ 的背景。
| 评论： | 本稿件已被 NeurIPS 2026 药物发现人工智能研讨会：弥合转化差距（AI4DD）接收 |
| 主题： | 定量方法（q-bio.QM）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28579 [q-bio.QM] |
| （或 arXiv:2610.28579v1 [q-bio.QM] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28579 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ali Khodabandeh Yalabadi 先生 [查看电子邮件]
[v1]
2026年10月20日星期二 17:32:57 UTC（3,132 KB）
来源：arXiv cs.AI · arxiv.org