基因域识别
SemST
概要
基因表达特征 + 空间位置信息 + 基因语义信息 → 聚类
让 AI 不仅知道组织里哪些基因表达相似，还能理解这些基因在生物学上有什么意义，从而更准确地划分组织区域。当然，实验中还需要通过消融实验等方法，验证语义信息是否真的带来了提升。
- 传统：根据表达数据判断这两个点是否相似
- SemST：加入基因功能来考虑。如果基因 X、Y 参与神经元功能，而基因 M、N 主要参与免疫反应，那么这两个点可能具有不同的生物学功能
步骤
LLM提取生物信息嵌入模块
- 收集每个点的高表达基因
- 输入数据：例如，某个采样点检测到一组高表达基因：Gene A、Gene B、Gene C。模型先知道这个点有哪些比较活跃的基因
- 让大语言模型帮助理解基因含义
- 语义信息提取：利用大语言模型的生物学知识，结合基因符号及相关信息，生成能够表示这些基因语义的向量（语义嵌入）
- 把生物学语义融入空间特征，进行聚类
- 空间域识别：SemST 利用 细粒度语义调节模块（FSM）（语义信息融入模型的特征学习过程，影响不同采样点的表示），将基因语义与原有的表达、空间信息结合，帮助模型学习更有区分度的特征
- 最后，模型把采样点划分成不同的空间区域
框架
- 输入：三种信息
- 基于表达和空间数据构造两个图，使用GCN对多视图特征进行传播和融合
- 基因符号被格式化为提示，并输入到大语言模型(LLM)中以提取生物信息嵌入
- 嵌入随后被提出的FSM模块用于指导空间特征优化
- 模型优化：通过基于ZINB的数据重建实现
方法推导
实验
PyTorch 实现，采用 Adam 优化器训练，初始学习率 0.001，权重衰减为(5 × 10^−4)
数据集
九个公共空间转录组数据集：5 个具名数据集 + DLPFC 的 5 个切片
| 数据集 | 平台 | 标注域数 | 备注 |
|---|---|---|---|
| DLPFC（人背外侧前额叶皮层） | 10x Genomics Visium | 5 或 7 个皮层 | 使用 5 个切片：151508、151509、151510、151671、151672，来自 2 个成人样本 |
| HBC（人乳腺癌） | 10x Genomics Visium | 20 | — |
| MBA（小鼠脑前部） | 10x Genomics Visium | 52 | — |
| ME（小鼠胚胎） | Stereo-seq | 12 | E9.5 样本 |
| MVC（小鼠视觉皮层） | STARmap | 7 | — |
对比方法
| 方法 | 论文中标注的出处 | 类型/说明（据论文正文） |
|---|---|---|
| STAGATE | Dong and Zhang 2022（Nat. Com.'22） | 图注意力自编码器，学习同时捕获表达相似性与空间邻近性的低维嵌入 |
| GraphST | Long et al. 2023（Nat. Com.'23） | 在 GNN 基础上引入对比学习以更好区分空间域 |
| Spatial-MGCN | Wang et al. 2023（BIB’23） | 多视图 GCN，建模基因表达与空间信息间的复杂关系 |
| GAAEST | Wang et al. 2024（Com. Biol.'24） | 基于对比学习的图注意力自动编码器，用于空间域识别 |
| SEDR | Xu et al. 2024（Genome Med.'24） | 无监督空间嵌入深度表示 |
| MAFN | Zhu et al. 2024（TKDE’24） | 多视图自适应融合网络，用于空间分辨转录组数据聚类 |
| stDCL | Yu et al. 2025（Adv. Sci.'25） | 双图对比学习，用于空间异质性解析与基因调控解释 |
| DUSTED | Zhu et al. 2025（AAAI’25） | 双注意力增强的空间转录组去噪器 |
| STAIG | Yang et al. 2025（Nat. Com.'25） | 图像辅助图对比学习，用于空间域探索与无对齐整合 |
指标
用于综合评估预测聚类与真实标注之间的一致性，且所有结果都乘以了 100
| 指标 | 通用含义 |
|---|---|
| ARI（Adjusted Rand Index，调整兰德指数） | 衡量两个划分（预测聚类 vs. 真实标注）的相似度，并对随机划分的期望一致性做校正；取值上限为 1，随机水平约为 0，可为负 |
| NMI（Normalized Mutual Information，归一化互信息） | 基于预测聚类与真实标签之间的互信息，并做归一化；衡量两划分共享的信息量，通常取值 0–1 |
| ACC（clustering accuracy，聚类准确率） | 在最优标签匹配下，预测簇标签与真实标签一致的比例 |
| F1（F1-score） | 精确率与召回率的调和平均，用于综合衡量聚类/分类的查准与查全 |
-
ARI：衡量预测聚类与真实分类之间的一致性，并校正随机聚类可能产生的一致性
-
[ \mathrm{ARI}= \frac{\mathrm{RI}-\mathbb{E}[\mathrm{RI}]} {\max(\mathrm{RI})-\mathbb{E}[\mathrm{RI}]} ]
-
更常见的等价计算形式为：
[ \mathrm{ARI}= \frac{ \sum_{ij}\binom{n_{ij}}{2} -\frac{\sum_i\binom{a_i}{2}\sum_j\binom{b_j}{2}}{\binom{n}{2}} }{ \frac12\left[\sum_i\binom{a_i}{2}+\sum_j\binom{b_j}{2}\right] -\frac{\sum_i\binom{a_i}{2}\sum_j\binom{b_j}{2}}{\binom{n}{2}} } ]
其中，(n_{ij}) 是真实类别 (i) 与预测簇 (j) 的交集样本数，(a_i,b_j) 分别是对应行、列的样本总数，(n) 是总样本数。
- 通常范围为 ([-1,1])，越接近 1 越好。
- 随机水平的期望值为 0。
-
-
NMI：衡量预测聚类与真实标签之间共享了多少信息。
-
[ \mathrm{NMI}(U,V)= \frac{2I(U;V)}{H(U)+H(V)} ]
-
其中：
[ I(U;V)=\sum_{i,j}p(i,j) \log\frac{p(i,j)}{p(i)p(j)} ]
[ H(U)=-\sum_i p(i)\log p(i) ]
-
(U)：真实分类。
(V)：预测聚类。
(I(U;V))：互信息。
(H(U),H(V))：各自的信息熵。
-
-
常见的 NMI 定义范围为 ([0,1])，越大越好。不同实现也可能采用其他归一化方式。
-
-
ACC：先找到预测簇与真实类别之间的最佳匹配，再计算准确率。
-
[ \mathrm{ACC}= \max_{\pi} \frac{1}{n} \sum_{i=1}^{n} \mathbf{1}\left[y_i=\pi(\hat y_i)\right] ]
-
其中：
-
(y_i)：第 (i) 个样本的真实标签。
(\hat y_i)：预测的聚类标签。
(\pi)：预测簇到真实类别的最优映射。
(\mathbf{1}[\cdot])：条件成立时为 1，否则为 0。
-
-
-
F1-score：Precision（精确率）和 Recall（召回率）的调和平均数。兼顾误报和漏报。
-
[ F1=\frac{2PR}{P+R} ]
-
其中：
[ P=\frac{TP}{TP+FP} ]
[ R=\frac{TP}{TP+FN} ]
-
(TP)：真正例。
(FP)：假正例。
(FN)：假负例。
-
-
结果
- 定量：有多少
- 定性：是什么，什么特点
定量比较，加粗为最好结果，下划线次好
定性比较，手动标注和聚类结果的可视化，颜色表示空 间域
消融实验
SemST变体在四个代表性数据集上性能：
- 未使用LLM
- 近似LLM
- 纯文本编码器，无包含任何专业领域知识、提示非生物问题
- 生物相关语义嵌入的LLM
FSM模块消融-集成到所有比较方法中：
参数分析：
SemST 在三个数据集上使用从5到50的(kg) 进行评估：
- 性能通常随着更大的 kg 而提高
- ME和MVC中，达到峰值 kg=30
- MBA中达到峰值 kg=20
中等规模的基因集最能捕捉关键的生物信号，平衡信息损失和生成冗余
存在问题
这些模型几乎都把基因视为孤立的、高维度的数值特征。这种做法完全忽略了基因符号本身所蕴含的大量生物学知识——关于它们的功能、通路和相互作用的知识。
挑战：符号生物学知识与定量空间信息之间的根本差异
主要贡献
- 大语言模型的基因语义与图神经网络捕获的空间上下文
- 细粒度语义调制(FSM)模块，语义先验以逐元素的方式动态校准空间特征
- 在多个基准空间转录组数据集上进行大量实验
- 模块是一个通用的即插即用组件，持续提升其他基线模型性能
专有知识
空间域识别
是空间转录组学中的一个基本计算任务，旨在识别具有相似基因表达模式的区域，这些模式通常反映了潜在的解剖学或功能组织。鲁棒的空间域识别为下游生物分析奠定了坚实基础，例如差异基因表达分析、功能富集分析和细胞间相互作用推断。这项任务通常被表述为一个聚类问题，旨在将组织划分为具有生物学意义的单元。
图神经网络（GNNs）
内含有：
- GCN 图卷积网络：通过图卷积聚合邻居节点的信息
- GAT 图注意力网络：通过注意力机制，为不同邻居分配不同权重
- GraphSAGE 图采样与聚合：采样邻居，再聚合邻居信息
- GIN 图同构网络
示例：
空间转录组里，Spot 指的是组织切片上的一个空间采样点。在一张组织切片上，选取一个个位置，测量每个位置的基因表达情况。
一个 Spot 通常包含两类信息：
- 空间信息：它在组织切片上的位置，例如坐标 ((x,y))
- 基因表达信息：这个位置测量到的各个基因的表达量
模型：
- GCN：综合自己和邻居的特征，学习 spot 的表示
- GAT：学习哪些邻居对当前 spot 更重要
细粒度语义调制（FSM）
使生物功能与空间背景之间能够进行主动的、动态的“对话”。具体来说，FSM学习一个点特定的仿射变换，以对GNN推导的空间特征进行逐元素的校准。允许高阶生物知识动态地指导和细化局部空间上下文的表示。
复现
两种形式：
- 加载预训练权重复现结果
- 从头训练模型
预训练权重
相关工作
- 生物语义的大语言模型
- 空间域识别