Spatially Informed and Direction Sensitive Representation Learning for Spatial Transcriptomics
作者: Azim Dehghani Amirabad, Ali Khodabandeh Yalabadi, Artem Moskalev, Yun-Ching Chen, Mehdi Pirooznia, Scott Oloff, Rui Liao
分类: q-bio.QM, cs.AI
发布日期: 2026-10-20
备注: This manuscript has been accepted at the NeurIPS 2026 Workshop on AI for Drug Discovery: Bridging the Translation Gap (AI4DD)
💡 一句话要点
提出Tessera框架以解决空间转录组学中的表示学习问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 空间转录组学 表示学习 细胞间关系 基因选择 几何归纳偏置 生物信息学 精准医学
📋 核心要点
- 核心问题：现有方法在空间转录组学中未能有效捕捉空间信息和细胞间关系，导致细胞表示过于相似。
- 方法要点：Tessera框架结合空间信息基因选择与几何归纳偏置，能够在细胞的局部组织环境中建模细胞间关系。
- 实验或效果：Tessera在多个组织和技术上表现优异，表示质量超越现有模型，并实现零-shot泛化，效果提升显著。
📝 摘要（中文）
细胞状态受到内在基因表达程序和细胞所处空间微环境的共同影响。空间转录组学使得这一背景可测量，但有效的表示学习需要捕捉空间信息分子信号和细胞间组织。现有方法仅部分解决这些挑战，传统基因选择可能忽视空间结构信号，而细胞间关系编码方法往往仅考虑邻近性，忽略方向性。为此，本文提出Tessera，一个空间表示学习框架，结合空间信息基因选择与几何归纳偏置，能够在局部组织环境中对每个细胞进行上下文化建模。Tessera在保持方向性的同时，模型相对细胞间关系，使得邻近细胞根据其空间上下文和细胞状态不同地贡献。实验表明，Tessera在表示质量上优于现有空间基础模型，并且在训练时未见的上下文中实现了零-shot泛化，效果提升可达16倍。
🔬 方法详解
问题定义：论文要解决的具体问题是如何在空间转录组学中有效捕捉细胞的空间信息和细胞间关系。现有方法的痛点在于传统基因选择忽视空间结构信号，而细胞间关系的编码往往仅考虑邻近性，导致细胞表示过于相似。
核心思路：论文的核心解决思路是提出Tessera框架，通过结合空间信息基因选择与几何归纳偏置，能够在细胞的局部组织环境中建模细胞间关系，从而更准确地反映细胞的生物学状态。
技术框架：Tessera的整体架构包括空间信息基因选择模块和几何归纳偏置模块。前者负责选择与空间相关的基因，后者则通过建模细胞间的相对关系来上下文化细胞的表示。
关键创新：最重要的技术创新点在于Tessera能够在保持方向性的同时实现平移不变性，这使得邻近细胞能够根据其空间上下文和细胞状态不同地贡献，从而避免了传统方法的局限性。
关键设计：在关键设计上，Tessera采用了特定的损失函数来优化空间信息的捕捉，并设计了适应性网络结构，以便更好地处理细胞间的复杂关系。
🖼️ 关键图片
📊 实验亮点
实验结果显示，Tessera在表示质量上显著优于现有空间基础模型，尤其是在未见的上下文中实现了零-shot泛化，效果提升可达16倍。这一成果表明Tessera在处理复杂的细胞间关系和空间信息方面具有显著优势。
🎯 应用场景
该研究的潜在应用领域包括生物医学研究、疾病诊断和治疗策略的制定。通过更准确地理解细胞的空间组织和状态，Tessera能够为个性化医疗提供支持，推动精准医学的发展。未来，该方法可能在组织工程和再生医学等领域产生深远影响。
📄 摘要（原文）
Cellular states are shaped by both intrinsic gene expression programs and the spatial microenvironment in which cells reside. Spatial transcriptomics makes this context measurable, but effective representation learning requires capturing both spatially informative molecular signals and intercellular organization. Existing approaches address these challenges only partially: conventional gene selection can overlook spatially structured signals, while methods for encoding cell-cell relationships often either reduce a cell's microenvironment to proximity alone, discarding direction, or rely on absolute coordinates tied to an arbitrary tissue frame. Consequently, cells with similar neighbor distances but distinct spatial organization may receive overly similar representations, despite experiencing different biological contexts that shape their cellular states. We introduce Tessera, a spatial representation learning framework that addresses both molecular selection and cellular context. Tessera combines spatially informed gene selection with a geometric inductive bias that contextualizes each cell within its local tissue environment. By modeling relative cell-cell relationships, Tessera is translation-invariant while preserving direction, allowing neighboring cells to contribute differently according to their spatial context and cellular state. Across held-out tissues and technologies, Tessera outperforms existing spatial foundation models in representation quality and generalizes zero-shot to contexts up to $16\times$ larger than those seen during training.