Predicción precisa de la abundancia del tipo de célula a partir de la imagen de histología espacial a través de...

Área de la Ciencia:

• Biología computacional
• La genómica
• Patología

Sus antecedentes:

• La transcriptómica espacial (ST) ofrece información sin precedentes sobre la arquitectura de los tejidos y las interacciones celulares.
• Los altos costos de secuenciación limitan la adopción generalizada de ST.
• Los métodos existentes a menudo predicen perfiles transcriptómicos, pero rara vez estiman la abundancia de tipo celular directamente a partir de imágenes de histología.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo rentable, HPCell, para inferir la abundancia de tipos celulares directamente de imágenes histológicas teñidas con H&E.
• Abordar las limitaciones de los altos costos de secuenciación en la transcriptómica espacial.

Principales métodos:

• HPCell utiliza un marco de aprendizaje profundo con módulos de base de patología, hipergráfico y transformador.
• Las imágenes de diapositivas completas (WSIs) se parchan y procesan para las características morfológicas.
• Un hipergrafo modela las relaciones espaciales, y un transformador captura las dependencias de largo alcance.

Principales resultados:

• HPCell estima con precisión la abundancia de tipo celular a partir de imágenes histológicas.
• El marco demuestra un rendimiento superior en comparación con los métodos de última generación en múltiples conjuntos de datos de ST.
• HPCell proporciona una solución escalable y rentable para el análisis de tejidos.

Conclusiones:

• HPCell ofrece una alternativa viable a la costosa secuenciación para la estimación de la abundancia de tipo celular en ST.
• Este enfoque facilita una comprensión más profunda de la estructura del tejido y las interacciones celulares.
• HPCell tiene el potencial de ampliar significativamente la accesibilidad y la aplicación de la transcriptómica espacial.