[論文レビュー] Towards Universal Spatial Transcriptomics Super-Resolution: A Generalist Physically Consistent Flow Matching Framework

Xinlei Huang, Weihao Dai+6 more|arXiv (Cornell University)|Feb 11, 2026

Single-cell and spatial transcriptomics被引用数 0

ひとこと要約

SRastは、遺伝子セマンティクスとジオメトリを分離し、質量保存とゼロショット一般化を種間・組織・プラットフォームを跨いで実現する、空間トランスクリプトミクス超解像のための一般フレームワークである。

ABSTRACT

Spatial transcriptomics provides an unprecedented perspective for deciphering tissue spatial heterogeneity. However, high-resolution spatial transcriptomic technology remains constrained by limited gene coverage, technical complexity, and high cost. Existing spatial transcriptomics super-resolution methods from low resolution data suffer from two fundamental limitations: poor out-of-distribution generalization stemming from a neglect of inherent biological heterogeneity, and a lack of physical consistency. To address these challenges, we propose SRast, a novel physically constrained generalist framework designed for robust spatial transcriptomics super-resolution. To tackle heterogeneity, SRast employs a strategic decoupling architecture that explicitly decouples gene semantics representation from spatial geometry deconvolution, utilizing self-supervised learning to align latent distributions and mitigate cross-sample shifts. Regarding physical priors, SRast reformulates the task as ratio prediction on the simplex, performing a flow matching model to learn optimal transport-based geometric transformations that strictly enforce local mass conservation. Extensive experiments across diverse species, tissues, and platforms demonstrate that SRast achieves state-of-the-art performance, exhibiting superior zero-shot generalization capabilities and ensuring physical consistency in recovering fine-grained biological structures.

研究の動機と目的

• 高解像度STの課題：遺伝子カバレッジの制限・ヘテロゲネシティ・コストを克服する。
• 種・組織・プラットフォームを横断した堅牢なゼロショット一般化を達成する。
• SR再構成時に局所的な質量保存を保ち、物理的整合性を強制する。
• 遺伝子セマンティクスと空間デデコンボリューションを分離して、サンプル特有パターンへの過学習を抑制する。

提案手法

• 構造認識的意味整合（SASA）を導入し、Dual-Topology GraphとGraphVAEを用いて分布整合的遺伝子表現を学習する。
• LatentNormを適用してバッチ間で潜在分布を整列させ、クロスサンプルシフトを緩和する。
• Physically Constrained Flow Matching（PCFM）を単純形上の比率予測として定式化し、普遍的最適輸送フローを学習する。
• 疎な単純形割り当てを安定化させるために滑らか化 centered ロジット変換（S-CLT）を使用する。
• AdaLN条件付けと境界一貫性正則化を備えた拡散トランスフォーマーベースの速度モデルを組み込み、単純形ジオメトリを尊重する。
• learned flowを用いてノイズを高解像度の遺伝子割り当て比率へマッピングする初期値問題を推定し、その後単純形へ射影しLR質量でスケールすることでSRを得る。

実験結果

リサーチクエスチョン

• RQ1 SRastは未知の種・組織・プラットフォームに対して空間トランスクリプトミクス超解像のゼロショット一般化を達成できるか。
• RQ2 遺伝子セマンティクスを空間ジオメトリから分離することは生物学的ヘテロゲネシティやOODシフトへの堅牢性を向上させるか。
• RQ3 単純形上での流れマッチングによる比率予測としてSRを再定式化することは物理的質量保存を強制し、生物学的幻像を減らすか。

主な発見

• SRastは複数のデータセット・解像度（例：4x・10xアップスケーリング）においてゼロショット横断種一般化で最先端の性能を達成。
• SR再構成時の局所的質量保存を厳密に示す非常に小さな偏差（例：4.0e-8程度の偏差）を示し、物理的整合性が高いことを示唆。
• SASAは分布整合的意味表現の学習によりクロスサンプル分布シフトを有効に緩和；LatentNormはバッチ関連の不一致を低減。
• PCFMは単純形上で普遍的な輸送フローを学習し、遺伝子・スポット間の高解像度割り当てを質量保存を保って実現。
• クロスデータセット・クロスプラットフォーム評価において、SR再構成品質指標（遺伝子発現のSpearman, PCC）やSR後のクラスタリングベースARIで、従来の補間法・従来のSTSR法を上回る。