GeneFlow:千基因空间转录组预测新突破

GeneFlow以简化流匹配框架实现高效大规模空间基因表达预测,性能提升56.8%。
GeneFlow是一个空间转录组学预测框架,旨在解决现有方法依赖复杂架构、额外输入和固定小基因面板的问题。它统一流匹配生成建模与结构化多模态融合,通过组织学tokenizer和基因tokenizer分别编码组织形态与跨基因交互,直接预测空间基因表达,而非中间速度场。在多个基准测试中,GeneFlow取得最先进性能,1000基因预测任务提升高达56.8%,同时计算成本降低数个数量级,提升了临床可行性。其生成的斑点表达谱具有生物学意义,代码已开源,有望推动ST在临床和科研中的广泛应用。
空间转录组学(ST)能从组织图像直接推断基因表达,但现有方法往往依赖复杂架构、额外输入和繁琐训练流程,并且受限于固定的小基因面板。这引出一个关键问题:能否高效地进行大规模基因面板的ST预测?近期提出的GeneFlow框架给出了肯定答案。

简化架构,更强性能
GeneFlow的核心思路是将流匹配生成建模与结构化多模态融合统一起来。它首先通过组织学tokenizer和基因tokenizer分别编码组织形态学信息和空间斑点内的跨基因交互,然后直接预测空间基因表达,而非中间的速度场。尽管训练时采用基于速度的流匹配目标,但模型并不依赖沉重的生成流程。
在多个ST基准测试中,GeneFlow取得了最先进的表现。据论文报告,在1000个基因的预测任务上,性能提升高达56.8%。这一结果说明,即便不堆叠复杂的生成管道,也能实现高质量的预测。
流匹配(Flow Matching) 是一类生成建模方法,其核心思想是学习一个时间相关的向量场,将简单先验分布(如高斯噪声)连续变换为目标数据分布。与扩散模型逐步去噪不同,流匹配通过回归条件速度场来训练,理论上可用更少的采样步数完成生成,因此训练和推理都更高效。GeneFlow 利用这一框架,但并未在推理时运行完整的生成轨迹,而是直接输出基因表达预测,从而避免了沉重的迭代采样过程。
多模态融合 在此处指将组织学图像(形态学模态)与空间斑点内的基因交互信息(分子模态)进行联合建模。GeneFlow 通过组织学 tokenizer 和基因 tokenizer 分别提取两类特征,再以结构化方式融合,使模型能够同时利用图像中的组织结构和基因间的表达关联来提升预测精度。
效率与可扩展性并重
除了精度提升,GeneFlow还显著降低了计算成本——论文指出计算成本降低数个数量级。这意味着该方法在临床环境中更具可行性,因为临床场景通常对推理速度和资源消耗有严格要求。
更重要的是,GeneFlow生成的斑点 профили具有生物学意义,而不仅仅是数值上的拟合。这为利用广泛存在的组织学图像进行下游生物学发现提供了新机会。
空间转录组学(Spatial Transcriptomics, ST) 是一类在保留组织空间位置信息的前提下测量基因表达的技术。与传统单细胞测序丢失空间坐标不同,ST 将表达谱映射回组织切片上的斑点(spot)或细胞,从而揭示基因表达的空间异质性。临床中,ST 数据获取成本高、通量有限,因此从常规组织学图像(如 H&E 染色)直接推断空间表达成为重要方向。GeneFlow 的高效推理能力正是针对这一场景,使大规模基因面板预测在资源受限的临床环境中变得可行。
开源与未来方向
GeneFlow的代码已在GitHub上公开(https://github.com/ZZhangsm/GeneFlow),方便研究者复现和扩展。该工作表明,通过精心设计的简化框架,大规模空间基因表达预测可以同时实现高精度和高效率,有望推动空间转录组学在临床和科研中的广泛应用。
随着空间转录组学数据的积累,像GeneFlow这样兼顾性能与效率的方法,或将成为连接组织形态与基因表达的重要桥梁。
相关推荐

Claude Mythos 5.2 与 Fable 5.2 错误率异常升高
Claude Mythos 5.2 和 Claude Fable 5.2 出现请求错误率异常升高,官方状态页已标记为调查中。本文梳理事件概况、对开发者的实际影响及应对建议。

ReAct运行时上下文裁剪:Claude Code为何70%就动手
深入解析ReAct运行时的上下文裁剪机制:为什么Claude Code在上下文使用约70%时就触发压缩,工具调用为何占用最多、为何必须成组丢弃,以及代码库为何不需要RAG。基于B站小福哥《分币不掏,学习AI Agent开发》第17节整理。

AI Agent vs LLM:Cursor和Claude Code如何真正工作
深入解析AI Agent与LLM的本质区别:LLM生成代码建议,Agent则通过工具调用修改文件、运行测试。以Spring Boot Bug修复为例,拆解Cursor和Claude Code的工作流、权限控制与验证机制。