论文

用于生物学发现与临床预测的空间转录组学与组织学多模态基础模型

A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction

Jinxi Xiang, Siyu Hou, Yuchen Li, Ryan Quinton, Xiaoming Zhang, Feyisope Eweje, Xiangde Luo, Yijiang Chen, Zhe Li, Colin Bergstrom, Ted Kim, Sierra Willens, Francesca Maria Olguin, Matthew Abikenari, Andrew Heider, Sanjeeth Rajaram, Joel Neal, Maximilian Diehn, Xiang Zhou, Ruijiang Li来源日期：2026.04.04

模型训练预训练

摘要

空间转录组学（ST）能够在解剖学背景下绘制基因表达图谱，但成本高且通量低。苏木精-伊红（H&E）染色提供丰富的形态学信息，却缺乏分子分辨率。我们提出STORM（Spatial Transcriptomics and histOlogy Representation Model），一个在18个器官、120万个带有匹配组织学的空间分辨转录组谱上训练的基础模型。STORM采用整合形态特征、基因表达与空间上下文的分层架构，通过稳健的分子-形态学表示连接成像与组学。STORM增强了空间域发现能力，生成生物学上连贯的组织图谱，并在11种肿瘤类型上从H&E图像预测空间基因表达时优于现有方法。该模型与平台无关，在Visium、Xenium、Visium HD与CosMx上表现一致。应用于包含7,245名患者的23个独立队列时，STORM较既有生物标志物显著改善了免疫治疗反应预测与预后判断，为空间信息驱动的发现与临床精准医学提供了可扩展框架。