ProST：图像提示引导的多模态表征学习用于空间域识别

Bioinformatics (Oxford, England) · 2026-09-22 · 期刊论文

• 一句话结论：作者提出ProST框架，在多个空间转录组数据集上报告其在空间域识别、可视化、空间轨迹推断与基因表达填补方面一致优于现有方法；该结论基于作者自选数据集的基准比较，属方法学提示性证据，尚不足以断言普适优越性。
• 研究设计与做法：研究为计算方法的开发与基准评测，非临床研究。ProST以组织学图像作为图像提示引导多模态表征学习，利用形态学信息并抑制无关视觉噪声，生成稳健且空间连贯的嵌入，并优化了组织学图像特征提取流程。具体数据集数量、样本量与评测指标材料未报告。
• 主要结果：结果以定性表述为主：在多个空间转录组数据集上，ProST在空间域识别、可视化、空间轨迹推断与基因表达填补任务中一致优于现有方法，并称具有高准确性与强泛化能力。具体效应量、置信区间与p值材料未报告。
• 机制或解释：作者解释为现有方法偏重聚类性能而忽视空间域识别恢复连贯生物结构这一根本目标，且未充分利用组织学图像中的形态与微环境信息；ProST通过图像提示引导与噪声抑制改善表征学习。
• 局限与边界：局限包括：评测依赖公开数据集，缺乏独立外部验证与真实临床样本验证；未报告运行效率、参数敏感性及对图像质量的依赖；利益冲突与资助信息材料未报告。
• 可否落地：就落地而言，ProST为开源Python工具，可作为空间转录组空间域识别的候选分析工具，供研究者复现与比较；当前证据档位为方法学提示，尚不足以下结论其在各类组织与平台上的稳健性，需独立基准与生物学验证。

🔗 打开原文

Sun C, Wang Z, Zhang Q 等

本文摘自《每日前沿研究简报 · 2026-09-25》「生物信息 组学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。