空间转录组技术能够在保留组织空间位置信息的同时刻画基因表达状态，是研究组织异质性、细胞互作和疾病微环境的重要工具。然而，这类实验通常成本较高、获取难度较大，限制了其在大规模样本和真实临床场景中的应用。近年来，利用病理图像预测空间基因表达成为重要研究方向，但现有方法多聚焦于单个 spot 与局部图像之间的配对关系，对邻域微环境信息和跨模态层级结构的利用仍然不足。

针对上述挑战，团队提出了 HyperST 框架，将 spot、niche、病理图像和基因表达统一纳入层级双曲学习范式中进行建模。该方法一方面同时提取 spot级别与 niche级别的图像和基因表示，充分利用局部区域及其周边组织环境信息；另一方面通过层级双曲对齐策略，显式刻画图像模态与基因模态之间由粗到细、由一般到具体的信息层级关系，从而增强图像表征中的分子语义表达能力，提升空间基因表达预测性能。

图1. HyperST整体框架示意图

实验结果表明，HyperST 在人类肾脏、结肠、黑色素瘤和肺癌四个公开数据集上均取得了优于现有代表性方法的表现，展现出良好的跨组织泛化能力。进一步的可视化分析显示，在肾脏病理切片数据集的典型样本中，模型能够更准确地恢复 UMOD、PODXL 等关键标志物的空间表达分布，说明所学习到的表示不仅能够提升整体预测指标，也能够更好地保留与组织结构和生物学功能相关的空间信号。

图2. HyperST在肾脏样本中对关键标志物空间表达的重建结果

厦门大学健康医疗大数据国家研究院2024级博士生张琛、厦门大学信息学院2024级硕士研究生安怡璐、2023级硕士研究生陈莹为论文共同第一作者；厦门大学俞容山教授、鹏城实验室王子徽博士、厦门大学健康医疗大数据国家研究院2022级博士生林育祥为论文共同通讯作者。

论文链接：https://openreview.net/pdf?id=GByZlhne6I