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。

本文介绍了多种基于深度学习和生成模型的方法，旨在整合空间转录组学与单细胞RNA测序数据，以推断缺失的基因表达信息。研究采用图卷积网络、transformer模型和条件扩散模型等技术，展示了在数据插补和因果推断方面的优越性能，具有重要的生物信息学应用潜力。

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。

该研究提出了一种基于多视图对比学习和HSIC约束的空间转录组学框架，利用人工智能技术预测基因表达。通过在乳腺癌和皮肤鳞状细胞癌数据集上的评估，验证了其在基因表达预测中的优越性。此外，开发了HisToSGE方法和STimage-1K4M数据集，提升了基因表达谱生成的分辨率和准确性，为细胞病理学研究提供了新工具。

本研究提出了一种基于多视图对比学习和HSIC约束的空间转录组学框架（ST-GCHB），用于估计基因表达量。通过整合26个公共资源，构建了新数据库，并引入先进的补全技术，显著提升了转录组预测性能。研究还展示了多模态学习在乳腺癌和皮肤鳞状细胞癌数据集上的应用，证明了其在基因表达预测中的优越性。

本文介绍了多种基于深度学习和空间转录组学的方法，以提高基因表达预测的精度和性能。研究利用单细胞RNA测序技术、生成式模型和多模态对比学习，在乳腺癌和皮肤鳞状细胞癌数据集上表现优越。整合不同数据源和技术显著提升了对缺失基因表达信息的推测能力。

该研究探讨了多种深度学习框架在空间转录组学中的应用，如ST-GCHB、stEnTrans和TRIPLEX，旨在提升基因表达预测的精度和空间分辨率，以推动癌症诊断和研究的发展。

该研究提出了一种名为MuST的多模态结构转换方法，旨在整合空间转录组学数据中的多模态信息，解决模态偏差问题。通过拓扑发现策略和深度学习技术，MuST在识别组织和生物标志物结构方面表现优于现有方法，为复杂生物系统分析提供了新工具。

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。