FLAG扩散框架从病理图像预测基因表达，保留双结构
FLAG引入扩散模型和生物先验，从病理图生成空间基因表达，保真度显著优于传统回归方法。
空间转录组（测基因位置与表达）成本高，但H&E染色图像便宜。FLAG用扩散模型从图像生成基因表达，不仅数值准，还能还原基因间调控网络和空间分布模式，避免传统逐点回归丢失结构的问题。
正文摘录
.01.36.png) 作者 | 女娲生命大模型团队 编辑丨ScienceAI 空间转录组学（Spatial Transcriptomics, ST）能在保留细胞空间位置的同时测量基因表达，对解析组织微环境与疾病微生态至关重要，但测序成本高、通量低。相比之下，H&E 染色的全切片图像（WSI）在临床中比较容易获取。因此，「以图测谱」，即直接从常规病理图像预测空间基因表达正成为连接低成本影像与高维分子信息的关键桥梁。 然而，现有方法大多将其简化为对每个基因独立的逐点回归，仅以 PCC、MSE 等逐点指标评估，忽略了两类关键的生物学结构：反映调控程序的「基因 - 基因」关系，以及反映组织构筑的「基因 - 空间」分布关系。而现有模型即便在单基因数值上尚可，所生成的表达图谱却常常「形似而神不似」。 为此，上海科学智能研究院（下称上智院）联合上海交通大学、复旦大学等提出了结构感知的潜扩散框架 FLAG（Foundation model representation with Latent diffusion Alignment via Graph）。该框架将任务从「确定性回归」重新定义为「结构化分布建模」，并首次系统揭示与刻画了高维场景下的「基因维度诅咒」（Gene Dimension Curse）。实验表明，FLAG 在保持 PCC/MSE 高度竞争力的同时，于结构保真度指标上实现显著领先。 该研究成果已被 ICML 2026 接收。上智院生命科学方向研究员斯奇、上海交通大学生物医学工程学院博士生王鹏磊，是共同第一作者。