热烈祝贺本组刘小宇的科研论文被CCF B类国际会议IEEE BIBM 2026接收（图）
近日，本人以第一作者身份向 IEEE International Conference on Bioinformatics and Biomedicine（BIBM 2026）投稿的论文被接收，题目为 SpaTopo: Spatial Representation Learning with Topological Supervision for Spatial Transcriptomics Domain Identification。湖南科技大学为第一完成单位，论文作者为 Xiang Chen、Xiaoyu Liu、Zihan Yang、Zhiyi Xie、Wenlu Guo。24 级硕士研究生刘小宇、杨子涵参与方法设计、实验与论文撰写，25 级硕士研究生谢芷翼与郭文禄参与验证与修订。
IEEE 生物信息学和生物医学国际会议（BIBM）已成为该领域首屈一指的研究论坛，汇集来自计算机科学、生物学、化学、医学、数学与统计学的学术与产业研究者。IEEE BIBM 2026 将于 2026 年 12 月 1–4 日在美国达拉斯（Dallas, TX, USA）举行。该会议被 CCF 收录为 B 类国际学术会议。
空间转录组学（Spatial Transcriptomics, ST）通过联合测量基因表达与空间位置信息，为解析组织空间架构提供了关键数据基础。空间结构域识别是 ST 分析的核心任务，其性能高度依赖所学表征的质量。现有无监督方法虽已取得进展，但仍面临若干局限：对空间拓扑缺乏显式监督、固定扰动策略难以适配不同空间复杂度的组织，以及邻域一致性偏置可能掩盖局部转录异质性。
针对上述问题，本文提出 SpaTopo：面向空间转录组结构域识别的空间表征学习框架。方法包含三个核心设计：（1）显式拓扑监督：通过拓扑解码与重建约束，保留全局空间结构；（2）复杂度自适应掩码：依据组织空间复杂度动态选择掩码策略，提升跨样本适应性；（3）统一表征分支：结合随机潜在编码与难负样本约束，在对齐全局结构的同时保留局部异质性。
我们在覆盖 10x Visium、STARmap、Stereo-seq、Slide-seqV2 等平台的六个基准数据集上，将 SpaTopo 与七种主流无监督方法进行比较。SpaTopo 在整体聚类性能上表现最佳；在 DLPFC 数据集上，其 Adjusted Rand Index（ARI）与 Normalized Mutual Information（NMI）相对全部对比方法取得具有统计学意义的提升。进一步分析表明，SpaTopo 能更好地保留复杂组织中的精细空间结构与解剖一致性，与 marker 基因表达模式及解剖图谱证据相一致。结果表明，SpaTopo 所学表征兼顾全局结构保真与局部异质性，可为组织结构解析及下游生物学研究提供实用框架。
图1: SpaTopo 方法的整体框架
感谢国家自然科学基金（No.62202162）的资助。本组将继续在空间转录组与 AI4Science 方向深耕，欢迎有志于相关研究的同学加入。
相关链接
CC BY-NC-SA 4.0
本文由 Xiang CHEN 陈向 创作，采用 CC BY-NC-SA 4.0 协议，首发于 https://chenxofhit.xyz 个人网站。
您可以自由地：
- 分享 — 在任何媒介以任何形式复制、发行本作品
- 演绎 — 修改、转换或以本作品为基础进行创作
惟须遵守下列条件：
- 署名 — 您必须给出适当的署名，提供指向本许可协议的链接，同时标明是否（对原始作品）作了修改。您可以用任何合理的方式来署名，但是不得以任何方式暗示许可人为您或您的使用背书。
- 非商业性使用 — 您不得将本作品用于商业目的。
- 相同方式共享 — 如果您再混合、转换或者基于本作品进行创作，您必须基于与原先许可协议相同的许可协议分发您贡献的作品。
商业使用请联系：[email protected]