[논문 리뷰] Towards Universal Spatial Transcriptomics Super-Resolution: A Generalist Physically Consistent Flow Matching Framework

Xinlei Huang, Weihao Dai외 6명|arXiv (Cornell University)|2026. 02. 11.

Single-cell and spatial transcriptomics인용 수 0

한 줄 요약

SRast는 유전자 의미를 기하학으로부터 분리하고 물리적으로 제약된 흐름 매칭을 사용하여 종, 조직 및 플랫폼 간 질량 보존과 제로샷 일반화를 보장하는 공간 전사체학 초해상도용 일반 프레임워크이다.

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.

연구 동기 및 목표

• 제한된 유전자 커버리지, 이질성, 비용으로 인해 고해상도 ST의 도전을 해결한다.
• 종, 조직 및 플랫폼 간의 강건한 제로샷 일반화를 달성한다.
• SR 재구성 중 국부 질량 보존을 보존하여 물리적 일관성을 강제한다.
• 샘플 특성 패턴에 대한 과적합을 완화하기 위해 유전자 의미를 공간 역분해로부터 분리한다.

제안 방법

• 이중 토폴로지 그래프와 GraphVAE를 통해 분포 정렬된 유전자 표현을 학습하기 위해 Structure-Aware Semantic Alignment (SASA)를 도입한다.
• 배치 간 잠재 분포를 맞추고 샘플 간 이동을 완화하기 위해 LatentNorm을 적용한다.
• 물리적으로 제약된 흐름 매칭(PCFM)을 단순체에서의 비율 예측으로 공식화하여 보편적 최적 운송 흐름을 학습한다.
• 희박한 단순체 할당에서 학습을 안정시키기 위해 Smoothed Centered Logits Transform(S-CLT)을 사용한다.
• AdaLN 컨디셔닝과 경계 일관 규제를 갖춘 확산 트랜스포머 기반 속도 모델을 포함하여 단순체 기하를 존중한다.
• 학습된 흐름을 적분하는 초기값 문제를 통해 잡음을 고해상도 유전자 할당 비율로 매핑하고, 그 후 단순체에 투영하여 LR 질량으로 스케일링하여 SR을 추론한다.

실험 결과

연구 질문

• RQ1 보지 않은 종, 조직 및 플랫폼에서 공간 전사체학 초해상도에서 SRast가 제로샷 일반화를 달성할 수 있는가?
• RQ2 유전자 의미를 공간 기하로부터 분리하는 것이 생물학적 이질성과 OOD(이상분포) 이동에 대한 강건성을 향상시키는가?
• RQ3 흐름 매칭과 함께 단순체에서 비율 예측으로 SR을 재정의하는 것이 물리적 질량 보존을 강제하고 생물학적 환각을 감소시키는가?

주요 결과

• SRast는 여러 데이터셋과 해상도에서 제로샷 교차 종 일반화에서 최첨단 성능을 달성한다(예: 4x 및 10x 확대).
• SRast는 SR 재구성 중 국부 질량 보존을 엄격하게 유지하며 매우 작은 편차를 보이는 강한 물리적 일관성을 보인다(예: 편차가 4.0e-8 수준으로 보고).
• SASA는 분포 정렬된 의미 표현을 학습해 샘플 간 분포 이동을 효과적으로 완화하고; LatentNorm은 배치 관련 차이를 감소시킨다.
• PCFM은 단순체에서 보편적 운송 흐름을 학습하여 질량을 보존하면서 유전자 및 스폿 간 고해상도 할당을 정확하게 가능하게 한다.
• 교차 데이터 세트 및 교차 플랫폼 평가에서 SRast는 SR 재구성 품질 지표(예: 유전자 발현의 Spearman, PCC) 및 SR 인후의 클러스터링 기반 ARI에서 전통적 보간 및 이전 STSR 방법들을 능가한다.