面向空间分辨转录组学的内部—边界感知图表示学习

基于摘要分析。本文研究空间分辨转录组学（SRT）中的空间域识别与多切片数据整合，提出 Boundary-aware Multi-level Relational Learning（BMRL），通过区分组织内部位置与边界位置，施加不同的表示学习约束，并结合多层级结构信息学习空间表示。 其出发点是：内部位置与边界位置在局部邻域特征和全局关系结构上存在差异，统一的图建模策略可能使局部节点表示过度相似，并混合来自异质邻居的信息，从而削弱空间域之间的区分。BMRL 结合局部基因表达差异与全局语义结构估计边界特征，在识别内部与边界位置后分别施加表示学习约束，再引入区域级与切片级结构，使不同层级的信息互补。摘要未披露边界估计的具体计算方式、约束或损失形式，以及各层级结构的构建与融合细节。 作者报告，BMRL 在单切片和多切片设置下的多种下游任务中取得了有潜力的表现，并改善了多切片数据整合；但摘要未提供数据集、任务明细、划分协议、对照方法或定量指标，因此尚不能判断收益幅度及其适用范围。实验协议、消融及统计信息尚未验证；复现还需核对边界划分规则、图构建方式和跨切片整合流程。 该研究的直接对象是保留空间信息的基因表达数据，而非 EEG 或 BCI。材料未给出与神经信号任务的具体机制对应，不能将其结果视为 BCI 有效性的证据。