COSMIC：面向空间多组学的联合表征学习与条件多切片对齐

基于摘要分析。COSMIC 研究多切片空间多组学整合，旨在同时保留互补分子信号与组织生物学异质性，并缓解跨模态融合和跨切片对齐相互依赖的问题。其核心贡献是在共享潜在空间中，端到端联合学习目标条件化共识与聚类引导的条件对齐，而不是先完成融合或对齐中的一项再处理另一项。 机制上，目标条件化跨模态交互形成可靠性加权共识，同时保留模态私有信息；多模态语义为跨切片对应关系提供依据，对齐过程又反过来细化这些语义。随后，模型利用软语义分配与置信度筛选，将具有充分支持的切片特异性语义中心与全局对应语义中心对齐。与不加区分地匹配整个切片分布相比，这种条件策略意在减少对非对应组织结构的过度校正。摘要未明确目标条件的具体定义、可靠性与置信度的计算方式，以及联合优化的损失形式。 作者报告，在覆盖多个物种的基准评估中，COSMIC 取得具有竞争力的表现，并在生物学结构保留与切片效应去除之间保持较好平衡。摘要未列出具体物种、数据集、模态组合、划分协议、对照方法或指标数值，因此不能据此判断优势幅度或适用边界；实验协议、消融及统计信息尚未验证。 复现时需核对语义中心构建、置信度筛选规则，以及组织结构部分重叠时的评估方式。该研究的主要对象是空间多组学组织切片，材料未提供 EEG/BCI 验证或足以确认其适用性的直接对应关系，不应将其结果表述为 BCI 算法进展。