[论文解读] 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 0

一句话总结

SRast 是一个通用的空间转录组学超分辨率框架，将基因语义与几何解耦，并使用物理约束的流匹配实现跨物种、组织与平台的零-shot泛化，且质量守恒。

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.

研究动机与目标

• 解决高分辨率 ST 在基因覆盖有限、异质性强、成本高等挑战
• 实现跨物种、组织与平台的鲁棒零-shot泛化
• 在 SR 重建过程中保持局部质量守恒以实现物理一致性
• 将基因语义与空间去卷积解耦，以缓解对样本特定模式的过拟合

提出的方法

• 引入结构感知语义对齐（SASA），通过双拓扑图与 GraphVAE 学习分布对齐的基因表示
• 应用 LatentNorm 对齐批次间潜在分布，缓解跨样本漂移
• 将物理约束的流匹配（PCFM）作为在单纯形上的比率预测，以学习通用的最优传输流
• 使用平滑中心化对数变换（S-CLT）稳定稀疏单纯形分配下的学习
• 引入基于扩散 Transformer 的速度模型，结合 AdaLN 条件化与边界一致性正则化，尊重单纯形几何
• 通过解初值问题来推断 SR，将学习到的流整合以映射噪声到高分辨基因分配比，然后投影到单纯形并按 LR 质量缩放

实验结果

研究问题

• RQ1 SRast 能否在空间转录组学超分辨中实现对未见物种、组织与平台的零-shot泛化？
• RQ2 将基因语义与空间几何解耦是否提高对生物异质性和 OOD 移位的鲁棒性？
• RQ3 将 SR 重新表述为对单纯形上的比率预测并结合流匹配，是否强制执行质量守恒并减少生物幻觉？

主要发现

• SRast 在跨物种的零-shot 泛化中在多个数据集与分辨率（如 4x 与 10x 放大）上达到最先进水平。
• SRast 展示出极高的物理一致性，局部质量守恒误差极小（示例误差约为 4.0e-8）。
• SASA 通过学习分布对齐的语义表示有效缓解跨样本分布移位；LatentNorm 降低批次相关差异。
• PCFM 在单纯形上学习通用传输流，保持质量同时实现跨基因与点的高分辨分配。
• 在跨数据集与跨平台评估中，SRast 在 SR 重建质量指标（如基因表达的 Spearman、PCC）和聚类为基础的 ARI 等方面超过传统插值和先前的 STSR 方法。