标签
GATE-ST 提出了一种基因感知的文本-图像编码器，通过交叉注意力机制将文本编码的基因摘要与病理组织图像嵌入进行整合，以提升空间基因表达预测性能；在病理影像基准测试中，其表现优于仅使用图像以及使用随机嵌入的基线方法。
SpaFactor 是一个轻量级框架，通过整合空间上下文和基因程序，从组织学图像预测空间转录组学，在多个队列中展示了更高的准确性和生物保真度。
本文提出了 CorrFlow，一个相关性引导的流匹配框架，用于从组织学图像预测空间转录组学，显式建模基因间依赖关系，以提高生成谱中的生物连贯性。
本文介绍了TP-DATE，一个无需模拟的动态Gromov-Wasserstein最优传输框架，增强了空间转录组数据中的空间结构保持和连续动力学重建。
CellWorld 提出了一种面向空间转录组基础模型的潜空间预测预训练方法，预测掩蔽细胞的潜在表示，而非重建基因测量值。在多个留出数据集上，即使是小型变体也在所有基准测试上优于现有基线，表明扩展规模和广泛的生物多样性可以提高迁移能力。
COAST是一个上下文感知的差分学习框架，用于从H&E组织病理学图像预测空间基因表达，采用联合绝对和带符号差分回归来捕捉空间关系。
SpaCellAgent 是一个自进化的大语言模型多智能体框架，能够从自然语言查询自动执行端到端的时空轨迹分析，实现分析效率提升超过40%，同时保持专家级别的性能。
Arc Institute的PerturbSpace利用标准单细胞测序，可在一天内从多个样本中实现转录组、位置、CRISPR向导、克隆关系及表面蛋白的高通量单细胞分析。
PerturbSpace 是一种空间转录组学方法，通过将组织切片压到带有条形码微孔的芯片上，利用抗体为细胞标记位置编码，再进行单细胞测序，实现超过90%的可靠空间定位。
加州大学伯克利分校机器学习团队（ML@B）与 LatchBio 合作，对其 AI 智能体在空间转录组工作流程中的性能进行了基准测试，评估其自动化复杂生物信息学任务的能力。