5
0本文介绍了一种名为 SQUINT 的图向量量化变分自编码器（VQ-VAE），它能够直接从空间转录组学数据中同时学习独立的细胞代码本和微环境代码本。该模型通过结合多层残差向量量化、空间邻接损失、跨切片对比损失以及批次协变量，克服了传统方法无法同时兼顾细胞内在特性与外部空间背景的局限性。在多项基准测试中，SQUINT 在细胞类型识别和微环境表征方面表现优异，或与现有领先方法不相上下，同时实现了极具优势且高效率的跨切片数据整合。此外，该研究所生成的离散词汇表支持基因表达的重构与空间插值，并通过基于代码分布相似性的方式，为查询到参考图谱的快速映射提供了可靠途径。
References:
Birk S, Merchant A, Vahidi A, et al. Learning Discrete Cell and Niche Codes from Spatial Transcriptomics Using Dual Residual Vector Quantization[J]. bioRxiv, 2026: 2026.08. 07.743490.
