空间转录组学（Spatial Transcriptomics, ST）是一种捕捉与空间坐标对齐的基因表达谱的方法。离散的空间分布和超高维度的测序结果使得ST数据难以有效建模。在本文中，我们通过提出的工具SUICA，利用隐式神经表示（Implicit Neural Representations, INRs）的强大近似能力，实现了对ST数据的连续且紧凑建模，从而增强了空间密度和基因表达。具体而言，在SUICA中，我们引入了一种图增强自编码器（graph-augmented Autoencoder），能够有效地建模非结构化点的空间上下文信息，并提供结构感知的嵌入以用于空间映射。此外，我们还采用了回归分类方法来处理极度偏斜的分布，并施加基于分类的损失函数以优化SUICA。通过对多种常见ST平台在不同退化条件下的广泛实验，SUICA在数值保真度、统计相关性和生物保守性方面均优于传统的INR变体和最先进的方法。SUICA的预测结果还展示了放大后的基因特征签名，丰富了原始数据的生物保守性，并有助于后续分析。