本研究提出了一种新的空间标记相似性测量方法框架，解决了现有方法在匹配标签数量和空间分布方面的不足。该框架通过将空间标记转化为图形并提取属性分布，能够更准确地反映标记质量，尤其在空间转录组学中表现优于其他指标。

浙江大学研究团队提出M2OST模型，通过多对一回归方法，利用不同层次的数字病理图像（WSIs）预测基因表达，显著提升了计算效率和预测准确性。该模型在多个公开数据集上验证有效性，为空间转录组学的发展提供新思路。

空间转录组学技术STAIG利用深度学习整合基因表达与组织图像，克服传统方法局限，有效识别空间区域，揭示肿瘤微环境细节，推动生物系统理解。

研究团队提出Celcomen模型，利用因果解耦方法分析空间转录组学数据，揭示细胞内外的基因调控机制。该模型在真实数据中表现优异，推动生物医学研究进展。

本研究提出了一种新工具Stem，利用条件扩散生成模型解决空间转录组学中RNA序列丰度测量的有效性问题，能够高分辨率地连接细胞形态与组织切片图像。

Celcomen通过生成图神经网络解决了空间转录组学和单细胞数据中细胞内和细胞间基因调控程序解耦的问题。研究发现，Celcomen可有效建模疾病与治疗引起的变化，为单细胞空间组织反应提供新的见解。

Meet AI4S第二期将正式开播，邀请到清华大学生命科学学院张强锋实验室博士后李雨哲分享空间转录组学和单细胞组学研究中的AI方法。介绍清华大学开发的基于图自编码器深度学习框架的AI算法SPACE，能够识别空间细胞类型和发现组织模块。直播将介绍算法的设计思路、研究难点以及基因组学研究中的人工智能方法的发展过程和前沿进展。

HyperAI超神经将邀请清华大学张强锋实验室博士后李雨哲分享空间转录组学和单细胞组学研究中的AI方法。李雨哲博士的研究成果已发表于Cell Systems，并将进一步介绍该研究中的创新方法。此外，他还参与了基于变分自编码器深度学习框架的人工智能算法SCALEX的研究。活动将分享基因组学研究中的人工智能方法。

该研究使用空间转录组学和人工智能技术，提出了一种多模态对比学习方法，可以预测基因表达水平，并在乳腺癌和皮肤鳞状细胞癌数据集上进行了广泛评估，证明了其在预测基因表达和解释肿瘤相关基因方面的卓越性能。

本研究介绍了QuST-LLM，一种利用大型语言模型（LLMs）分析和解释空间转录组学（ST）数据的创新扩展。QuST-LLM通过提供全面工作流程，简化了ST数据的复杂和高维属性，提高了数据的可解释性。它为研究人员提供了解开组织空间和功能复杂性的强大功能，促进了生物医学研究的新见解和进展。

复旦大学研究团队开发了Pianno工具，利用机器学习和计算机视觉技术自动注释空间转录组数据中的生物身份。Pianno在性能和准确性方面表现出色，并在不同数据集上进行了验证。该研究为空间转录组学研究提供了新的视角，有望推动生物学的发展。