この記事では、空間トランスクリプトミクスを用いた遺伝子発現のプロファイリングに対し、新たな深層学習フレームワーク「SemST」を提案しています。従来のアプローチでは遺伝子が孤立した数値特徴として扱われていましたが、SemSTは大規模言語モデルを活用して遺伝子の意味を抽出し、それを使って生物学的に有用な埋め込みを生成します。これにより、遺伝子セットをその組織スポット内で周囲の他の関係と統合し、空間構造と生物機能の調和を図ります。さらに、Fine-grained Semantic Modulation (FSM) モジュールが導入され、空間的特徴のキャリブレーションを行うことで、動的に高次の生物学的知識を注入します。実験結果は、SemSTが最先端のクラスタリング性能を達成していることを示しており、FSMモジュールは他の基準メソッドと統合することで常に性能を向上させることが確認されています。