文献精读 形态学反推表达

核心速递： 用ViT模型SPiRiT把H&E形态映射到单细胞空间基因表达，并通过注意力一致性提高可解释性和稳健性。

1. 文献基本信息

• Title: Inferring single-cell spatial gene expression with tissue morphology via explainable deep learning
• Journal: bioRxiv
• First Author: Zhao
• 领域定位: 用ViT模型SPiRiT把H&E形态映射到单细胞空间基因表达，并通过注意力一致性提高可解释性和稳健性。

2. 研究背景与问题

用ViT模型SPiRiT把H&E形态映射到单细胞空间基因表达，并通过注意力一致性提高可解释性和稳健性。

3. 核心材料与方法

在乳腺癌和小鼠样本上比ST-Net更准，且能解释高关注区域。

4. 关键发现与机制

用ViT模型SPiRiT把H&E形态映射到单细胞空间基因表达，并通过注意力一致性提高可解释性和稳健性。；在乳腺癌和小鼠样本上比ST-Net更准，且能解释高关注区域。

5. 局限性与未来展望

结果依赖公开基准和当前数据集，跨平台迁移仍需独立验证。

6. 核心思考与研究启发

用ViT模型SPiRiT把H&E形态映射到单细胞空间基因表达，并通过注意力一致性提高可解释性和稳健性。