SpaFactor模型发布：高效空间上下文感知基因程序建模助力组织学转录组学推断

摘要：SpaFactor是一款轻量级、低秩形态-程序-基因分解框架，旨在解决空间转录组学（ST）预测中的关键挑战。该模型通过融合中央点的视觉表示与多尺度局部和区域上下文信息，生成捕捉细胞形态和微环境异质性的组织学表示，并利用残差MLP从组织微环境到低维潜在基因程序进行稳定非线性映射，最终生成协调的多基因表达预测。在五个公共队列的测试中，SpaFactor在整体性能上表现最佳，尤其在空间变异基因方面表现出色，并更准确地恢复了生物组织模式。这一成果展示了轻量级联合建模在提高预测精度和生物学保真度方面的潜力。

---

背景与挑战

空间转录组学（ST）通过分析组织架构中的基因表达，为理解细胞功能和疾病机制提供了重要工具。然而，其高昂的成本和实验复杂性限制了广泛应用。通过常规的苏木精和伊红（HE）图像预测空间表达成为一种可行的替代方案，但现有方法通常将高维基因输出作为独立目标进行拟合，忽略了基因间的生物学协调性，且容易受到高维噪声和过拟合的影响。

SpaFactor的创新点

1. 轻量级框架设计：SpaFactor采用低秩形态-程序-基因分解框架，避免了传统方法中的计算复杂性。
2. 多尺度上下文融合：模型高效融合中央点的视觉表示与多尺度局部和区域上下文信息，生成捕捉细胞形态和微环境异质性的组织学表示。
3. 残差MLP建模：利用残差MLP从组织微环境到低维潜在基因程序进行稳定非线性映射。
4. 共享基因加载：通过共享基因加载将活动解码为协调的多基因表达预测。

实验结果

在五个公共队列的测试中，SpaFactor在整体性能上表现最佳，特别是在空间变异基因方面表现出色。此外，该模型更准确地恢复了生物组织模式，展示了其在提高预测精度和生物学保真度方面的潜力。

行业影响与开发者建议

• 对生物信息学领域的影响：SpaFactor为空间转录组学分析提供了一种高效且准确的工具，有望推动相关研究进展。
• 对AI模型开发的启示：该模型展示了轻量级联合建模在处理复杂生物数据方面的优势，为AI模型设计提供了新的思路。
• 开发者建议：建议生物信息学研究人员和AI开发者关注SpaFactor的应用场景，并探索其在其他领域的潜在应用。

未来展望

SpaFactor的成功应用表明，轻量级联合建模在处理高维生物数据方面具有巨大潜力。未来，研究人员可以进一步优化模型架构，并探索其在其他生物医学领域的应用，例如单细胞转录组学和蛋白质组学分析。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-09-26)

—— 完 ——

主题标签： #SpaFactor #空间转录组学 #AI生物医学 #轻量级建模 #基因程序建模