arXiv:2605.28200v1 Announce Type: new 
Abstract: Single-cell RNA sequencing (scRNA-seq) profiles large numbers of cells but loses spatial context, whereas spatial transcriptomics (ST) preserves partial spatial structure at lower resolution. Most existing integration methods either deconvolve spot mixtures or map cells onto a measured spot lattice, which ties reconstructions to a fixed grid and slide-specific coordinate systems, a limitation that is especially problematic in unpaired settings. We propose GEARS, a geometry-first framework that reconstructs an intrinsic single-cell spatial geometry guided by ST, without relying on cell-type labels, histological images, or cell-to-spot assignment. GEARS first learns a domain-invariant expression encoder that aligns ST spots and dissociated cells, and then trains a permutation-equivariant generator with a diffusion-based refiner with EDM-style preconditioning to generate local spatial geometries under pose-invariant supervision derived from ST coordinates. At inference, GEARS reconstructs geometry on many overlapping subsets of scRNA-seq cells, aggregates predicted pairwise distances across subsets, and solves a global distance-geometry problem to obtain canonical two-dimensional coordinates and a dense distance matrix. Extensive quantitative and qualitative experiments, including cross-section generalization, show that GEARS consistently improves global distance preservation, local neighborhood fidelity, and spatial distribution alignment compared to strong spatial mapping and deconvolution baselines.

قدم الباحثون GEARS، وهو إطار يعتمد على الهندسة لإعادة بناء الهندسة المكانية للخلايا الفردية باستخدام بيانات النسخ الجيني المكاني (ST) دون الاعتماد على تسميات نوع الخلية أو أنظمة الإحداثيات الثابتة. تتناول هذه الطريقة المبتكرة قيود الأساليب الحالية التي غالبًا ما تربط إعادة البناء بشبكات محددة، مما يعزز دمج بيانات تسلسل RNA للخلايا الفردية (scRNA-seq) مع السياق المكاني.

Investigadores han presentado GEARS, un marco basado en la geometría para reconstruir la geometría espacial de células individuales utilizando datos de transcriptómica espacial (ST) sin depender de etiquetas de tipo celular o sistemas de coordenadas fijas. Este enfoque innovador aborda las limitaciones de los métodos existentes que a menudo vinculan las reconstrucciones a rejillas específicas, mejorando así la integración de datos de secuenciación de ARN de células individuales (scRNA-seq) con el contexto espacial.

Des chercheurs ont présenté GEARS, un cadre basé sur la géométrie pour reconstruire la géométrie spatiale des cellules uniques en utilisant des données de transcriptomique spatiale (ST) sans se fier à des étiquettes de type cellulaire ou à des systèmes de coordonnées fixes. Cette approche innovante répond aux limitations des méthodes existantes qui lient souvent les reconstructions à des grilles spécifiques, améliorant ainsi l'intégration des données de séquençage d'ARN à cellule unique (scRNA-seq) avec le contexte spatial.

Researchers have introduced GEARS, a geometry-first framework for reconstructing single-cell spatial geometry using spatial transcriptomics (ST) data without relying on cell-type labels or fixed coordinate systems. This innovative approach addresses the limitations of existing methods that often tie reconstructions to specific grids, enhancing the integration of single-cell RNA sequencing (scRNA-seq) data with spatial context.

Geometry-First Generative Spatial Single-Cell Reconstruction

تشير دراسة حديثة نُشرت في مجلة Nature — Machine Learning إلى أن توافق نماذج اللغة الكبيرة قد حسّن بشكل كبير دقة تصنيف أنواع الخلايا لبيانات تسلسل RNA أحادي الخلية (scRNA-seq). هذا التقدم مهم لتحسين فهم التنوع الخلوي ووظيفته في البحث البيولوجي.

Un estudio reciente publicado en Nature — Machine Learning destaca que un consenso entre grandes modelos de lenguaje ha mejorado significativamente la precisión de la anotación de tipos celulares para datos de secuenciación de ARN de célula única (scRNA-seq). Este avance es fundamental para mejorar la comprensión de la diversidad y función celular en la investigación biológica.

Une étude récente publiée dans Nature — Machine Learning souligne qu'un consensus parmi les grands modèles de langage a considérablement amélioré l'exactitude de l'annotation des types cellulaires pour les données de séquençage d'ARN à cellule unique (scRNA-seq). Cette avancée est essentielle pour améliorer la compréhension de la diversité et de la fonction cellulaires dans la recherche biologique.

A recent study published in Nature — Machine Learning highlights that a consensus among large language models has significantly enhanced the accuracy of cell type annotation for single-cell RNA sequencing (scRNA-seq) data. This advancement is pivotal for improving the understanding of cellular diversity and function in biological research.

Geometry-First Generative Spatial Single-Cell Reconstruction

Was this article worth reading? Share it

Ready to build your own newsroom?