FACET：在高保真荧光显微镜合成中实现高效传输的分解不对称条件

荧光显微镜可以揭示蛋白质的定位位置，但同一细胞中只能对有限数量的蛋白质进行成像；从氨基酸序列和细胞形态背景生成这些图像可以实现未成像蛋白质的计算机定位。然而，这两个条件发挥着不对称的作用：形态背景与目标在空间上对齐，而序列是非空间的，并且必须在其中指定蛋白质依赖性定位，蛋白质之间共享重复的粗略模式和更精细的蛋白质特异性变异。现有的生成器共同以两者为条件，而没有分开各自解释的内容。我们引入了 FACET（高效传输的因子化非对称条件），这是一种概率生成框架，将这种结构编码为显式归纳偏差：序列语义是从上下文中未解释的内容中学习的，粗定位规律通过语义记忆在蛋白质之间共享，而蛋白质特异性变异是它们周围的有界残差。保持方差的状态投影进一步让 FACET 通过预训练的扩散预测器以最小的参数开销执行连续随机传输。在留出蛋白上，与骨干模型匹配的基线相比，FACET 在人类蛋白质图谱上提高了 34.3% 的空间重叠，在 OpenCell 上提高了 14.0%，并将 FID 分别减少了 27.2% 和 46.5%，网络评估减少了 75%。它还大大提高了蛋白质关联结构的恢复并产生更好的校准预测，而详细的消融显示了其设计选择的补充贡献。这些结果表明，分解的不对称调节（而不是单独的发生器容量）是高保真、高效且具有生物学意义的细胞图像合成的关键杠杆。