空间转录组学（ST）技术为分析组织样本中基因表达的空间分布模式提供了强大的工具。然而，它们受到稀疏基因检测和不完整表达覆盖的限制。已经提出了几种基于参考scRNA-seq的计算方法来插补ST数据，并取得了令人印象深刻的结果。然而，这些方法未能充分探索细胞之间的潜在时间依赖性，也不能准确捕捉隐含的基因水平调控机制。为了克服这些限制，我们提出了SpaLSTF，这是一种新的方法，通过条件扩散模型并以scRNA-seq数据为指导来增强ST基因表达。SpaLSTF通过双重马尔可夫过程捕获基因表达关系：一个过程逐步用噪声扰动scRNA-seq数据，另一个过程去噪以重建原始分布。为了有效建模细胞状态之间的上下文依赖性，我们采用了双向长短期记忆（BiLSTM）网络。此外，我们在Transformer内设计了交叉协方差注意力机制（XCA-Transformer），以有效计算基因表达之间的注意力系数，并准确预测每一步添加的噪声。此外，我们引入了变分下界（VLB）目标，并将Kullback-Leibler（KL）散度作为正则化项，以及均方误差损失，以确保生成的噪声遵循目标分布。我们在覆盖多种组织和器官的十二个跨平台数据集上，使用九个评估指标比较了SpaLSTF与七种最先进方法的性能。实验结果表明，在基因表达插补、细胞群体识别和空间结构保持方面，SpaLSTF优于竞争方法。
袁等（周二）研究了这个问题。