조직학 (Histology) 기반의 단일 세포 공간 전사체학 (Single-cell Spatial Transcriptomics, ST) 추정은 조직 병리 이미지와 세포 위치로부터 개별 세포의 유전자 발현을 예측하는 것을 목표로 하며, 이는 비용이 많이 드는 단일 세포 ST 측정의 필요성을 줄여줍니다. 여러 세포를 포함하는 국소 영역에 대해 주로 스팟 수준 (spot-level) 프로파일을 예측하는 기존의 조직학-ST 변환 방법들과 달리, 이 작업은 세포 유형 (cell type)에 의해 강력하게 구조화된 세포 간 발현 변동성 (cell-to-cell expression variability)을 모델링할 것을 요구합니다. 우리는 라우팅 네트워크 (routing network)를 통해 세포 유형 확률을 추정하고, 유전자 발현 예측을 위해 세포 유형별 전문가 (cell-type-specific experts)를 부드럽게 결합하는 Genomics-Guided Cell-Type-Specific Mixture-of-Experts (GC-MoE)를 제안합니다. 세포 유형 의존적 유전자 프로그램 (gene programs)을 더욱 인코딩하기 위해, 우리는 인접 세포 문맥 (neighboring-cell context)을 위한 경량화된 세포 간 상호작용 어텐션 (Cell-to-Cell Interaction Attention, C2CA) 모듈과 함께 세포 유형별 공동 발현 인식 예측기 (Cell-Type-Specific Co-Expression-Aware Predictor, CAP)를 도입합니다. 공개된 단일 세포 ST 데이터셋에 대한 실험 및 절제 연구 (ablations) 결과, 기존의 단일 세포 및 변형된 스팟 수준 베이스라인 (baselines) 대비 일관된 성능 향상을 보여주었습니다.