BARseq不再需要人工标注：用仪器光学模型造训练图，每个细胞多回收约4条转录本

BARseq的转录本检出不再依赖人工标注的荧光点真值，检测器改由仪器光学模型生成的半合成图像训练。 此前BARseq分析依赖BarDensr的单次密度估计，在信号重叠的密集区域给出的检出偏保守；而监督式深度学习需要人工标注真值，真实组织图像中这类标注难以规模化获得。 在10个代表性视野上，PhySeqNet与PhySeqNet加NMSB的重建保真度按NCC和MS-SSIM均为最高，NCC均值分别为0.862±0.024和0.848±0.018，MS-SSIM均值为0.702±0.026和0.706±0.025，配对比较经单侧Wilcoxon符号秩检验与Benjamini-Hochberg校正。

检测器把荧光点当作需要解混的发射源来定位，而不是把图像前景整块分割出来。 经典LoG、DoG和h-maxima检测器依赖尺度与强度阈值，且并非为从单个混合点扩散函数光斑中推断多个重叠发射源而设计。 训练图像由Born与Wolf模型计算的共聚焦点扩散函数卷积三维发射源体，再逐像素叠加真实无样本实验噪声帧构成，发射源中心坐标即为真值；在留出的非空白模拟图上，Model G的精确率0.921、召回率0.879，Model C为0.934和0.882。

条形码感知非极大值抑制把同一rolony的重复检出合并，同时保留不同条形码的邻近检出。 原始PhySeqNet被训练为偏好密集预测，在拥挤区域会产生同一rolony的多个检出。 间距小于2像素（小于0.66微米）且解码到同一条形码的检出被折叠为网络得分更高者；在模拟测试集上该步骤去除了约40%的真阳性与约66%的假阳性，因此NMSB后的计数是刻意保守的估计。

该工作面向使用BARseq空间转录组学的研究者与图像分析工程师，验证范围是单只小鼠的一个冠状脑切片，共60个视野，检测器与pyBARseq流程在该数据上完成端到端演示。检测器针对BARseq类共聚焦成像设计，训练与评估所用的光学参数、噪声帧和点密度均来自该成像条件。作者提出，把该物理信息训练框架扩展到其他smFISH模态，需要用匹配的光学参数与背景噪声条件重新生成模拟数据并重训。

验证只在单只动物的一个冠状脑切片上完成，包含细胞分型与MERFISH比对在内的完整流程仅在该数据集上演示。在Piscis的smFISH基准上，光学与发射源特性相近的图像可零样本部分迁移，但在弥漫背景强、点稀疏的图像上性能下降，在近乎空白、由背景结构主导的视野上失效。作者指出，用无样本实验帧而非参数化噪声模型是出于固定模式噪声与仪器背景难以解析建模，与参数化噪声模型的直接比较不在该工作范围内。