[論文レビュー] FEAST: Fully Connected Expressive Attention for Spatial Transcriptomics

Taejin Jeong, Joohyeok Kim+3 more|arXiv (Cornell University)|Mar 26, 2026

Single-cell and spatial transcriptomics被引用数 0

ひとこと要約

FEAST は負性認識アテンションとグリッド外の擬似スポットを用いて全結合グラフとして組織を表現し、全スライド画像からの空間遺伝子発現を予測。最先端の性能を達成し、解釈可能なアテンションマップを提供する。

ABSTRACT

Spatial Transcriptomics (ST) provides spatially-resolved gene expression, offering crucial insights into tissue architecture and complex diseases. However, its prohibitive cost limits widespread adoption, leading to significant attention on inferring spatial gene expression from readily available whole slide images. While graph neural networks have been proposed to model interactions between tissue regions, their reliance on pre-defined sparse graphs prevents them from considering potentially interacting spot pairs, resulting in a structural limitation in capturing complex biological relationships. To address this, we propose FEAST (Fully connected Expressive Attention for Spatial Transcriptomics), an attention-based framework that models the tissue as a fully connected graph, enabling the consideration of all pairwise interactions. To better reflect biological interactions, we introduce negative-aware attention, which models both excitatory and inhibitory interactions, capturing essential negative relationships that standard attention often overlooks. Furthermore, to mitigate the information loss from truncated or ignored context in standard spot image extraction, we introduce an off-grid sampling strategy that gathers additional images from intermediate regions, allowing the model to capture a richer morphological context. Experiments on public ST datasets show that FEAST surpasses state-of-the-art methods in gene expression prediction while providing biologically plausible attention maps that clarify positive and negative interactions. Our code is available at https://github.com/starforTJ/ FEAST.

研究の動機と目的

• スパット間の相互作用を疎なグラフではなく全てモデル化して空間トランスクリプトミクス遺伝子発現予測を改善する動機付け。
• 負性認識アテンションを備えた FEAST フレームワークを開発し、興奮性および抑制性の生物学的関係を捉える。
• パッチベースのスポット抽出による情報喪失を回避するため、グリッド外サンプリングと階層的アテンション設計を採用。
• 解釈可能なアテンションマップを提供し、公開データセット上で最先端のベースラインと性能を比較検証。

提案手法

• 全スポット対の自己アテンションを用いて組織を全結合グラフとしてモデル化。
• 正と負の相互作用を学習するための負性認識アテンションを導入。
• 注意ヘッド間で局所対 global な相互作用を導くための静的な位置バイアスを組み込む。
• 中間の形態学的文脈を捉える擬似スポットを作成するグリッド外サンプリングを提案。
• 局所（k-NN）とグローバルアテンションブロックの二段階でスポット数増加の計算コストを管理。
• 平均二乗誤差損失で学習し、クロスバリデーションデータセット上で MSE、MAE、PCC によって評価。

Figure 1 : Conceptual overview of our proposed framework, illustrating how it addresses key challenges of prior ST methods. Existing approaches are limited by sparse graphs that miss potential interactions, standard positive-only relationships in attention that omit inhibitory interactions, and spar

実験結果

リサーチクエスチョン

• RQ1 全結合アテンション機序は、空間トランスクリプトミクスにおける全てのスポット間相互作用を、疎なグラフGNNよりもよく捉えられるか。
• RQ2 負性認識アテンションとグリッド外の擬似スポットは、遺伝子発現予測と解釈可能性をベースラインより向上させるか。
• RQ3 階層的アテンション（局所とグローバル段階）は性能と計算量のバランスをどう取るか。
• RQ4 FEAST は、興奮性と抑制性の相互作用を区別する生物学的により妥当なアテンションマップを生み出すか。

主な発見

Method	ST-Net MSE	ST-Net MAE	ST-Net PCC	Her2ST MSE	Her2ST MAE	Her2ST PCC	SCC MSE	SCC MAE	SCC PCC
ResNet+FCN	0.1999	0.3448	0.5221	0.6623	0.6385	0.4629	0.6103	0.6290	0.4619
BLEEP	0.3756	0.4736	0.0784	0.7426	0.6591	0.2747	0.6079	0.6013	0.4176
HisToGene	0.3054	0.4336	0.1211	0.9452	0.7739	0.2062	0.3095	0.4367	0.1225
Hist2ST	0.3811	0.4822	0.1525	0.7843	0.7286	0.2479	1.0190	0.7639	0.3003
THItoGene	0.2925	0.4111	0.3666	0.8436	0.7069	0.3445	0.6798	0.6442	0.3897
TRIPLEX	0.1472	0.2943	0.2320	0.8982	0.6946	0.3927	0.4891	0.5356	0.5416
MERGE	0.1347	0.2834	0.6795	0.6422	0.6255	0.5037	0.5353	0.5838	0.5512
FEAST (Ours)	0.1177	0.2639	0.7155	0.5761	0.5782	0.5524	0.4501	0.5239	0.5811

• FEAST は最先端の性能を達成し、3つの ST データセットの9指標中7つで最高。
• Her2ST では FEAST が MSE 0.5761、PCC 0.5524 を達成し、これまでの最高結果を上回る。
• SCC では FEAST が PCC 0.5811 を達成し、評価された手法の中でトップ。
• 定性的に、FEAST は正の相互作用と負の相互作用を区別するアテンションマップを生成。
• 擬似スポット（グリッド外サンプリング）は、周辺文脈が希薄な場合のターゲットスポット予測を著しく改善。
• アブレーション実験により、負性認識アテンションとグリッド外サンプリングの双方が性能向上に寄与。

Figure 2 : The overall architecture of FEAST. The framework first extracts features and spot distance ( $\mathbf{B}_{h}$ ) from the input WSI. The features are then processed through $L$ stacked hierarchical attention layers. Each layer consists of two stages: (1) a FEAST Block applied to local $k$