본 논문은 공간 전사체학(ST) 데이터의 계층적 정보를 효과적으로 활용하는 새로운 프레임워크인 DELST를 제안합니다. DELST는 이미지-유전자 쌍의 대조 학습에 의존하는 기존 방법과 달리, 이미지와 유전자 표현 간의 계층적 관계를 모델링하는 초고차원(hyperbolic) 표현을 활용합니다. 두 가지 수준의 함의 학습(entailment learning)을 통해 계층적 관계를 학습합니다. 첫째, 교차 모드 함의 학습은 유전자와 이미지 간의 순서 관계를 설정하여 이미지 표현의 일반화를 향상시킵니다. 둘째, 모드 내 함의 학습은 유전자 발현 패턴을 계층적 관계로 인코딩하여 다양한 샘플 간의 계층적 학습을 유도하고 생물학적 통찰력을 단일 모드 표현에 통합합니다. 병리학자에 의해 주석된 ST 벤치마크에 대한 광범위한 실험을 통해 DELST의 효과성과 기존 방법보다 향상된 예측 성능을 입증합니다.
