空间转录组能在保留组织位置的同时测量基因表达,空间域检测却常因组织类型和数据特征不同而表现不稳。近日,杜克大学Zhicheng Ji团队完成了题为《Visual LLM-guided consensus spatial domain detection with L-STAR》的研究,他们开发了L-STAR框架,用视觉大语言模型比较候选空间域图谱并构建共识结果。
![]()
在脑组织示例中,研究团队把组织切片图和两种方法的空间域图交给GPT-5,模型在不知道ARI值和专家注释的情况下选中了表现更好的方法。六套空间转录组数据的基准测试里,GPT-5把最高ARI方法放进前五名的比例明显高于随机排序,两次独立运行得到的方法排名也高度一致,AMI和NMI评价呈现相同趋势。研究团队据此把LLM用于数据集特异的候选方法筛选,L-STAR再把前五名方法的划分通过证据累积聚类合成最终空间域。
与单方法、GPT-5最高排名方法和固定方法共识相比,L-STAR在六套数据上的平均归一化ARI达到0.96,BayesSpace为0.86,AMI和NMI排名也居首,多数场景进入前三。人DLPFC数据中,L-STAR与表现最好的单方法GraphST接近,并较好恢复皮层分层,Spatial MGCN则漏掉第2层并在白质区域破坏细胞类型均一性。小鼠胚胎SeqFISH数据中,L-STAR与Spatial MGCN接近,GraphST漏掉颅中胚层和定形内胚层等较小结构,并把神经嵴区域过度合并。
![]()
在人DLPFC数据中,LLM比较文本里白质关键词出现比例更高,小鼠海马数据中CA关键词更常见。后验注释模块给空间域分配生物学名称,这些名称与人工注释的BioLORD嵌入余弦相似度显著高于置换分布,DLPFC示例中两者对应良好。默认GPT-5成对比较每次约0.0112美元和23.15秒,单数据集约3.70美元和2.12小时,成本有效模式降到0.29美元和0.10小时。颜色调色板和呈现顺序扰动下,方法排名和下游表现总体稳定,默认调色板综合指标最好。作者也指出,GPT-5可能保留解剖先验知识,所选GNN方法间存在相关性,后续需要多样性约束和冗余感知加权。
READING
BioPeers
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.