🤖 AI

FEAST: Fully Connected Expressive Attention for Spatial Transcriptomics

本文提出了 FEAST 框架，通过全连接注意力机制、负向感知注意力以及离网格采样策略，有效克服了现有图神经网络在空间转录组数据中无法捕捉复杂生物相互作用及上下文信息缺失的局限，从而实现了更精准的空间基因表达预测。

原作者： Taejin Jeong, Joohyeok Kim, Jinyeong Kim, Chanyoung Kim, Seong Jae Hwang

发布于 2026-03-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Taejin Jeong, Joohyeok Kim, Jinyeong Kim, Chanyoung Kim, Seong Jae Hwang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 FEAST 的新人工智能技术，它的任务是通过观察显微镜下的组织图片（就像看一张复杂的地图），来预测细胞里正在发生什么样的基因活动。

为了让你更容易理解，我们可以把这项技术想象成**“通过观察一个城市的建筑布局，来预测每个街区居民在聊什么话题”**。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 背景：为什么要发明 FEAST？

现状：科学家有一种叫“空间转录组学”的超级技术，能直接测出每个细胞里的基因在说什么。但这就像用昂贵的黄金去铺路，太贵了，普通实验室根本用不起。
替代方案：现在大家手里都有便宜的“普通地图”（也就是病理切片图像，H&E 染色）。人们希望 AI 能看着这些普通地图，猜出基因在说什么。
旧方法的毛病：以前的 AI 就像是一个只认识邻居的八卦大妈。它只看紧挨着的几个点（稀疏图），认为只有邻居之间才有交流。
- 比喻：如果两个住在城市两端的人，虽然离得远，但都在讨论同一个热门话题（比如都在抗议），旧 AI 就完全看不见，因为它只盯着隔壁看。这导致它漏掉了很多重要的“远距离交流”。

2. FEAST 的三大绝招

为了解决上述问题，FEAST 提出了三个创新点：

第一招：全连接网络（不再只认邻居）

旧方法：只连接距离近的点（稀疏图）。
FEAST 的做法：它把整个组织看作一个完全连通的社交网络。
- 比喻：想象在一个巨大的派对上，FEAST 不是只让每个人只和旁边的人说话，而是让每个人都能和派对上的所有人“眼神交流”。
- 好处：即使两个细胞离得很远，只要它们有某种联系，FEAST 就能捕捉到。它不再受限于“谁挨着谁”，而是考虑“所有可能的关系”。

第二招：负向感知注意力（不仅看“支持”，也看“反对”）

旧方法：传统的 AI 注意力机制只能表示“喜欢”或“关注”（正数）。它认为如果不关注，就是“没感觉”。
FEAST 的做法：它引入了**“负向注意力”**。
- 比喻：在生物学里，细胞之间不仅有“互相鼓励”（兴奋），还有“互相抑制”（比如免疫细胞被癌细胞压制）。
- 以前的 AI 只能画红色的线表示“你们关系好”，画不出蓝色的线表示“你们在打架/互相压制”。
- FEAST 能画出蓝色和红色的线。它能明确告诉科学家：“看，这个细胞虽然在旁边，但它正在抑制那个细胞的基因表达。”这让 AI 的预测更符合真实的生物逻辑。

第三招：网格外采样（填补地图的空白）

旧方法：以前的 AI 像是一个只会在格子里画画的人。它只取每个细胞中心的一小块正方形图片。
- 问题：细胞和细胞之间有空隙，或者有些重要的组织结构被格子的边缘切断了（就像切蛋糕切掉了奶油层）。
FEAST 的做法：它发明了**“伪细胞”（Pseudo-spots）**。
- 比喻：FEAST 不仅看格子里的细胞，还在格子之间的缝隙里、边缘处，额外插入了很多“虚拟观察点”。
- 它把这些“虚拟观察点”看到的细节（比如被切断的组织结构）也收集起来，拼凑成一幅完整的拼图。这样，AI 就不会因为“视野盲区”而丢失重要的形态信息。

3. 实验结果：它有多厉害？

更准：在三个不同的癌症数据集（乳腺癌、皮肤癌等）上，FEAST 预测基因表达的能力都超过了目前最先进的方法（SOTA）。
更懂生物学：它生成的“注意力地图”不仅准确，而且有道理。
- 比如，它能清晰地指出哪些区域是“互相支持”的（红色），哪些是“互相抑制”的（蓝色）。这让医生和生物学家不仅能得到数据，还能理解背后的生物学机制（比如肿瘤微环境里谁在压制谁）。

总结

FEAST 就像是一个拥有“上帝视角”且“心思细腻”的超级侦探。

它不再局限于看邻居，而是全图扫描，捕捉所有潜在的联系。
它不仅能看到“好话”（正相关），还能敏锐地捕捉到“坏话”或“压制”（负相关）。
它不放过任何细节，连格子缝隙里的信息都要挖出来分析。

这项技术让科学家能用便宜的普通图片，获得接近昂贵基因检测的效果，并且能更深刻地理解细胞之间复杂的“爱恨情仇”（相互作用），对于研究癌症和疾病机制非常有价值。

论文标题

FEAST: 面向空间转录组的全连接表达性注意力机制

1. 研究背景与问题 (Problem)

空间转录组学 (Spatial Transcriptomics, ST) 能够在保留空间组织信息的同时量化 mRNA 表达，对于理解组织结构和复杂疾病（如肿瘤微环境）至关重要。然而，ST 数据采集成本高昂，限制了其普及。因此，利用广泛可用的苏木精 - 伊红 (H&E) 染色全切片图像 (WSI) 来推断空间基因表达成为研究热点。

现有的基于深度学习的方法主要面临以下三个核心局限性：

预定义稀疏图的局限性：主流方法使用图神经网络 (GNN)，依赖预定义的稀疏图（如基于空间邻近或形态相似性的 k-近邻）。这种结构人为地限制了节点间的连接，导致模型无法捕捉那些未被定义为“邻居”但可能存在生物学相互作用的斑点对 (Spot Pairs)。
注意力机制的单一性：标准的注意力机制（Softmax）产生的权重是非负的（0 到 1），只能表示“相似”或“正相关”关系。然而，生物系统中广泛存在抑制性 (Inhibitory/Negative) 相互作用（例如 PD-L1/PD-1 通路抑制免疫基因表达），标准注意力无法区分“无关系”和“负相关/抑制关系”。
形态学信息的丢失：传统的基于固定大小 Patch 的图像提取方法，会截断斑点对之间的中间区域或忽略非网格 (Off-grid) 的形态结构，导致关键的组织形态上下文信息丢失。

2. 方法论 (Methodology)

为了解决上述问题，作者提出了 FEAST 框架，其核心包含三个创新模块：

2.1 全连接图架构 (Fully Connected Graph Architecture)

理念：摒弃预定义的稀疏图，将组织建模为全连接图。
实现：利用 Transformer 中的自注意力机制 (Self-Attention)。注意力机制本质上计算所有 Spot 对之间的交互强度，天然支持全连接结构。
位置偏置 (Positional Bias)：为了弥补标准注意力机制对空间距离不敏感的问题，引入了类似 ALiBi 的静态位置偏置。根据 Spot 间的欧氏距离计算偏置项 $B_h$ ，使不同的注意力头能够分别关注局部交互（强偏置）和全局长程交互（弱偏置）。

2.2 负感知注意力 (Negative-aware Attention)

动机：生物相互作用既有兴奋性（正相关），也有抑制性（负相关）。
机制：
- 计算正注意力分数 $S_{pos}$ （原始点积 + 偏置）。
- 计算负注意力分数 $S_{neg}$ （原始点积取反 + 偏置，即 $-S_h + B_h$ ）。
- 分别通过 Softmax 得到正权重 $A_{pos}$ 和负权重 $A_{neg}$ 。
- 最终权重： $A_{final} = A_{pos} - \beta \cdot A_{neg}$ 。
- 引入温度参数 $\tau_{neg}$ 来锐化负权重的分布，使模型专注于最强的抑制关系。
效果：允许注意力权重为负值，从而显式地建模抑制性生物学关系，提高了模型的可解释性。

2.3 离网采样策略 (Off-grid Sampling Strategy)

动机：解决固定 Patch 提取导致的形态结构截断和间隙信息丢失问题。
机制：
- 在原始 Spot 坐标之间的中间位置（Off-grid）采样生成伪 Spot (Pseudo-spots)。
- 这些伪 Spot 捕捉了原本被忽略的中间形态学上下文。
分层注意力 (Hierarchical Attention)：
- 由于引入伪 Spot 会导致计算量呈 $O(N^2)$ $O (N^{2})$ 爆炸，作者设计了分层机制：
  1. 局部 k-NN 注意力：原始 Spot 和伪 Spot 仅与其最近的 k 个邻居交互，吸收局部上下文。
  2. 全局自注意力：仅对原始 Spot 进行全局自注意力计算（此时它们已富含局部上下文信息）。
- 这种方法在保留丰富上下文的同时，保持了计算效率。

3. 主要贡献 (Key Contributions)

提出 FEAST 框架：首个将组织建模为全连接图并引入负感知注意力的空间转录组预测框架，突破了预定义稀疏图的限制。
负感知注意力机制：创新性地允许注意力权重为负，显式区分兴奋性和抑制性生物学关系，增强了模型的可解释性和生物学合理性。
离网采样与分层架构：提出离网采样策略以恢复丢失的形态学上下文，并通过分层注意力机制解决了由此带来的计算成本问题。
SOTA 性能与可解释性：在多个公开数据集上实现了最先进的预测性能，并提供了能够清晰展示正负相互作用的注意力图。

4. 实验结果 (Results)

数据集：在三个公共数据集上进行了评估：ST-Net (乳腺癌), Her2ST (乳腺癌), 和 SCC (皮肤癌)。
定量指标：
- 在 9 项评估指标（MSE, MAE, PCC）中，FEAST 在 7 项 上取得了最佳结果。
- 特别是在 Her2ST 数据集上，FEAST 将 MSE 从 0.6422 (MERGE) 降低到 0.5761，PCC 从 0.5037 提升到 0.5524。
- 在 SCC 数据集上，FEAST 取得了最高的皮尔逊相关系数 (PCC) 0.5811。
定性分析：
- 热力图对比：与 MERGE 等基线模型相比，FEAST 生成的基因表达热力图更锐利，能更准确地恢复高/低表达区域的边界，与真实值 (Ground Truth) 更吻合。
- 离网采样有效性：在空间稀疏或结构截断的区域，引入伪 Spot 显著提升了预测精度（PCC 提升幅度明显）。
- 注意力图分析：负感知注意力成功识别出与目标 Spot 结构不同但存在抑制关系的区域（如脂肪组织），而标准注意力往往将其忽略或错误地视为正相关。

5. 意义与影响 (Significance)

生物学洞察：FEAST 不仅是一个预测工具，其生成的注意力图提供了生物学上合理的解释，能够区分组织内的兴奋和抑制相互作用，有助于发现新的细胞间通讯机制。
方法论突破：证明了全连接注意力机制在空间生物学任务中的优越性，并展示了如何通过负权重建模复杂的生物抑制关系。
应用价值：通过仅使用低成本 H&E 图像即可高精度预测基因表达，降低了空间转录组研究的门槛，为肿瘤微环境分析和发育生物学研究提供了强有力的工具。

总结：FEAST 通过全连接图、负感知注意力和离网采样三大创新，有效解决了现有空间转录组预测方法在交互建模、关系类型区分和形态信息利用上的不足，显著提升了预测精度和生物学可解释性。