研究人员开发了HiST，一种新颖的分层稀疏Transformer，用于跨模态空间转录组学建模。该模型通过有效处理稀疏、不规则分布的基因测量数据，解决了从组织学图像推断基因表达的挑战。HiST利用稀疏窗口注意力和分辨率变化算子来整合多尺度上下文，其运行时和内存的扩展基于观察到的位置而非整个切片区域。它还包含一个切片校准令牌来处理切片采集中的变化，从而提高了预测性能并减少了计算资源。 AI
影响 HiST提供了一种更有效的方法来整合基因表达数据与组织形态学，有望加速空间转录组学研究。
排序理由 该集群包含一篇详细介绍特定科学领域新模型架构的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.14251v1 Announce Type: new Abstract: Spatial transcriptomics (ST) links gene expression with tissue morphology but remains expensive and low-throughput, motivating surrogates that infer expression from routine histology. Whole-slide H&E-to-ST inference pairs a giga…
Spatial transcriptomics (ST) links gene expression with tissue morphology but remains expensive and low-throughput, motivating surrogates that infer expression from routine histology. Whole-slide H&E-to-ST inference pairs a gigapixel image with gene measurements at a sparse, irre…