跳到主要内容
返回时间线
arXiv来源发表:

切片空间转录组不再逐层拼接:HoloGene把稀疏Z轴当作条件,整脑ARI升至0.467

核心概要

序列切片的空间转录组在XY平面内密集、沿Z轴稀疏,标准坐标隐式神经表示用对称编码,无法体现这种采样不对称。HoloGene把平面内坐标作为主输入,用深度条件调制每一层特征,并以训练切片表达导出的伪标签分组约束跨切片协方差对齐。在留出实测切片上,它于MOSTA E16.5与全脑数据取得最低MSE和最高Pearson、掩码Spearman与ARI,全脑ARI由最强基线0.428升至0.467。

Source-provided article image: HoloGene: Learning to Lift Sliced Spatial Transcriptomics to Holistic 3D Gene Fields
arXiv

深度剖析

HoloGene把连续三维基因表达场的估计从各向同性坐标回归改为按采集几何分解的建模:平面内坐标负责合成,深度只作为条件注入。 此前的坐标隐式神经表示对三个坐标轴做对称编码,没有显式区分切片内密集测量与Z轴稀疏测量,也没有跨切片对齐目标来区分切片技术差异与生物差异。 在留出实测切片协议下,MOSTA E16.5与全脑两个数据集上HoloGene取得最低MSE和最高Pearson、掩码Spearman与ARI,全脑ARI从最强基线的0.428升到0.467。

实现上,高维表达先被压成图自编码器的低维潜变量,合成网络只回归这一潜变量场,再由预训练解码器还原到基因空间。 图自编码器压缩沿用SUICA一类的流形学习思路,把稀疏计数的回归换成对平滑潜流形的拟合。 空间近邻图只用训练切片构建,测试切片不参与图构建与消息传递,潜变量维度通常取较小值,训练目标为有效位点上的均方误差。

深度信息通过逐层FiLM调制进入网络,另有一个签名网络从三维坐标预测Leiden伪标签分布,作为粗粒度组织状态的引导。 FiLM在此承担把深度条件转成每层缩放与平移参数的角色,签名条件与深度条件分别贡献这两组参数。 消融中把直接输入XYZ的各向同性版本换成FiLM条件合成后,两个主数据集的MSE与Pearson均有改善。

跨切片批次差异由按签名分层的CORAL正则约束,只对至少两个切片中样本量足够的同一签名组对齐二阶统计量。 仅靠坐标回归目标不会显式区分独立测序带来的切片效应,CORAL补上这一层对齐。 全脑数据上启用CORAL后切片身份泄漏从0.1966降到0.1770,注释保留率从0.4929升到0.5102。

启示与展望

评估采用按切片留出的实测切片协议:随机沿Z轴划分80%训练、20%测试,测试切片的所有位点不参与图构建、预训练与合成训练,主结果为MOSTA E16.5小鼠胚胎与全脑数据,视觉皮层与乳腺癌作为补充稳健性检查。方法在给定的预配准坐标域内估计表达,不联合求解切片配准,中间Z位置的查询属于模型插值估计。

模型只输出点估计,不含不确定性量化,且需要预先配准的坐标;在较大残余错配与极稀疏轴向覆盖下性能下降,全脑最稀疏中点处MSE升至2.8928、Pearson为0.4004。签名监督依赖Leiden伪标签,表达重建在评估的分辨率与标签损坏范围内较稳定,而注释参照的域恢复更敏感,超出这些范围的行为尚未刻画。