视觉LLM引导的共识空间域检测：L-STAR

空间转录组学在测量基因活性的同时保留组织内细胞的位置。一个关键的分析步骤是将组织划分为空间域，但计算方法在不同数据集上的表现差异相当大，没有任何单一方法能始终表现最佳。在此我们展示，大语言模型可以比较空间域图谱并识别表现更好的方法。我们开发了 L-STAR，它通过视觉方式比较候选方法并对其进行排序，然后根据排名最高的结果构建共识图谱。在代表不同组织、物种和技术的多个数据集上，L-STAR 与专家注释的吻合程度高于单个方法或使用固定方法集合的共识分析。当图像颜色或呈现顺序改变时，其排名具有可重复性且总体稳定。L-STAR 还为其比较提供了依据，并为检测到的域赋予了具有生物学意义的名称。这些发现表明，大语言模型可以使空间转录组学分析更具适应性、稳健性和可解释性。

中文由 AI 翻译，仅供参考，以原文为准。