← 最新论文
🧬 biology

HiFi-ST: High-Fidelity Reconstruction of Continuous Spatial Transcriptomic Expression Fields via Conditional Neural Fields

HiFi-ST 引入了一种条件神经场框架,通过将位点(spots)建模为区域观测值并整合多尺度组织特征来重建连续的空间转录组表达场,从而在准确性上显著超越现有方法,并赋能如肿瘤微环境表征等高级下游分析。

原作者: Lei Tang, Wenshuai Han, Xiao Yang, Xiaozhou Chen, Huamei Li

发布于 2026-07-16
📖 1 分钟阅读☕ 轻松阅读

原作者: Lei Tang, Wenshuai Han, Xiao Yang, Xiaozhou Chen, Huamei Li

原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明

想象一下,你正试图了解一座规模宏大、繁忙都市中的天气情况。你在地图上的各个位置布置了几个气象站,每个站点都会提供其特定位置的温度读数。但这座城市不仅仅是孤立点的集合;空气是连续流动的,当你从公园走向摩天大楼时,温度也在平滑变化。如果你只观察气象站,你可能会错过小巷里的微风或传感器之间由于路面升温产生的热量。这正是科学家在研究生物体内这个“城市”——即组织——时所面临的挑战。

在生物学中,组织由细胞组成,细胞通过被称为基因的化学信息进行交流。长期以来,科学家只能在特定的、分散的位置获取这些信息的“快照”,就像这些气象站一样。这种被称为空间转录组学的方法虽然很棒,但留下了巨大的空白。这就像是用只有寥寥数点的色彩来绘制一幅杰作;你可以猜出图像的大致轮廓,但会错过平滑的线条和微妙的色彩融合。一个核心问题是:我们如何填补这些空白,从而看到基因在整个组织中是如何表现出的完整且连续的全景图,而不仅仅是看我们在那些特定点位观察到的情况?

于是,HiFi-ST 登场了。这是由研究人员开发的一种新工具,它扮演着生物学领域中一位超级聪明的“填空艺术家”。HiFi-ST 不仅仅是在采样点精确猜测基因活性,它将组织视为一个连续的信息流场。你可以把它想象成从像素化的低分辨率图像升级到了高清且平滑的视频。研究人员构建了一个系统,该系统通过学习组织的视觉外观(即在显微镜下的样子)和分散的基因数据,来重建整个“基因景观”,从而填补点与点之间的空白。

以下是他们的实现方式以及他们的发现。传统方法试图通过将每个样本点视为孤立的点来预测基因活性,就像仅凭一个温度计就试图猜测整个房间的温度。作者认为,这种做法忽略了大局,因为生物学是连续的。HiFi-ST 通过改变游戏规则,引入了所谓的“神经场”(neural field)。想象一下这块神奇的画布,它不仅知道特定点位的颜色,还理解颜色如何在整个表面上融合与流动。

为了实现这一点,该模型同时在三个不同的“缩放级别”观察组织:特写视图、中景视图和远景视图。这就像是通过放大镜观察森林以看到单片叶子,然后退后一步看到一簇树木,最后再缩小视野观察整片森林。通过结合这些视角,模型能够理解组织的复杂形状和结构。随后,它使用了一种巧妙的技巧,称为“蒙特卡洛采样”(Monte Carlo sampling)。模型不再只是猜测单个点的基因活性,而是会对每个位置周围进行 16 次微小的、随机的“嗅探”并取其平均值。这类似于厨师通过品尝锅中不同位置的汤来获得完美的风味,而不是仅仅尝一下最表层。这有助于模型处理真实组织样本中杂乱且不均匀的特性。

研究结果非常令人印象深刻。研究人员在三种不同类型的组织数据集上测试了 HiFi-ST:乳腺癌(HER2+)、皮肤癌(cSCC)以及一个名为 Alex_NatGen 的通用数据集。在乳腺癌数据集中,与之前的最优方法相比,HiFi-ST 将匹配基因模式的准确度提高了 65.1%,同时将基因计数误差降低了 40.9%。在皮肤癌数据集中,它将误差降低了 51.2%;而在通用数据集中,它将模式匹配度大幅提升了 80.0%

但神奇之处不仅在于制作出更好的图像。由于 HiFi-ST 创建了一个平滑且连续的基因活性图谱,它可以帮助科学家发现以前难以察觉的隐藏结构。例如,该模型帮助识别了“三级淋巴结构”(TLS),这类结构就像是在肿瘤内部形成的微型、有组织的免疫堡垒。模型成功标记了这些结构的候选区域,表明它甚至可以在没有进行特定采样的地方,帮助医生理解免疫系统是如何对抗肿瘤的。

作者谨慎地指出,尽管这是一个重要的进步,但它目前还不是一个完美的解决方案。该模型目前仅适用于二维(2D)切片的组织,尚未考虑到器官完整的三维(3D)形状。此外,它也依赖于一些关于组织采样方式的假设,而这些假设在某些生物场景下可能并不完美。然而,通过弥合分散数据点与连续、高保真基因表达视图之间的鸿沟,HiFi-ST 提供了一种探索人体内复杂、流动世界的新途径。它表明,通过将生物学视为一个连续的场而非一系列孤立的点,我们可以揭示那些曾经隐藏在间隙中的模式与细节。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →