Tessera 框架用方向敏感表示学习处理空间转录组数据
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇投稿 arXiv 的论文提出 Tessera，用于空间转录组的表示学习框架。该工作指出，现有方法在两方面存在不足：常规基因筛选可能漏掉具有空间结构的信号；编码细胞间关系时，要么只考虑邻近性而丢弃方向，要么依赖与任意组织坐标系绑定的绝对坐标。Tessera 把空间信息引入基因选择，并加入几何归纳偏置，用相对细胞关系建模，从而在保持平移不变的同时保留方向。在留出组织和不同技术平台上，其表示质量优于现有空间基础模型，并能零样本泛化到比训练时大 16 倍的空间范围。论文被 NeurIPS 2026 AI4DD 研讨会接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载现有方法的两个缺口
论文从细胞状态由内在基因表达程序与所处空间微环境共同塑造这一前提出发，认为空间转录组虽然让这种上下文变得可测量，但表示学习需要同时抓住有空间信息的分子信号和细胞间组织方式。现有做法只解决了一部分：常规基因选择可能忽略具有空间结构的信号；编码细胞关系的方法则常把微环境简化为邻近性、丢掉方向，或者依赖绑定在任意组织坐标系上的绝对坐标。结果是，邻居距离相近但空间组织不同的细胞，可能得到过于相似的表示，尽管它们所处的生物上下文并不相同。
Tessera 的做法
Tessera 把空间信息引入基因选择，并加入一种几何归纳偏置，将每个细胞放到其局部组织环境中加以情境化。它不依赖绝对坐标，而是对细胞间的相对关系建模，因此具备平移不变性，同时保留方向，使邻近细胞能依据各自的空间上下文和细胞状态产生不同的贡献。这一设计针对的正是前述缺口：方向信息不再被邻近性抹平，组织坐标系的选择也不再影响表示结果。
评测结果与发表情况
在留出组织和不同技术平台上，Tessera 在表示质量上超过现有空间基础模型，并能零样本泛化到比训练时大 16 倍的空间上下文。论文被 NeurIPS 2026 Workshop on AI for Drug Discovery: Bridging the Translation Gap（AI4DD）接收，归类为定量生物学与人工智能方向，arXiv 编号为 2610.28579。
为什么值得看
空间转录组表示学习的具体方法改进，涉及基因选择与几何偏置设计，可供做生物医学 AI 与空间组学建模的读者参考。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。