面向空间信息与方向敏感的空间转录组学表征学习

细胞状态由内在的基因表达程序以及细胞所处的空间微环境共同塑造。空间转录组学使这种空间背景变得可测量，但有效的表征学习需要同时捕捉具有空间信息的分子信号和细胞间的组织结构。现有方法仅部分解决了这些挑战：传统的基因选择可能忽略具有空间结构的信号，而用于编码细胞间关系的方法往往要么仅将细胞的微环境简化为邻近性而丢失方向信息，要么依赖与任意组织参考框架绑定的绝对坐标。因此，即使细胞经历了塑造其细胞状态的不同生物学背景，具有相似邻居距离但空间组织结构不同的细胞仍可能获得过于相似的表征。我们提出 Tessera，一种同时处理分子选择和细胞背景的空间表征学习框架。Tessera 将基于空间信息的基因选择与一种几何归纳偏置相结合，在局部组织环境中刻画每个细胞的背景。通过建模细胞间的相对关系，Tessera 在保留方向信息的同时具备平移不变性，使邻近细胞能够根据其空间背景和细胞状态以不同方式作出贡献。在留出的组织和技术数据上，Tessera 在表征质量方面优于现有空间基础模型，并且能够以零样本方式泛化到规模最大达到训练所见背景 $16\times$ 的场景。