Integración de histología y transcriptómica espacial a través de transformadores multimodales y aprendizaje de...

Área de la Ciencia:

• Biología Computacional
• Genómica
• Imágenes Médicas

Sus antecedentes:

• La comprensión de la organización tisular y los fenotipos moleculares depende de la predicción de la expresión génica espacial a partir de imágenes histológicas.
• Los métodos actuales luchan con las limitaciones de un solo modelo y una pobre alineación entre los datos de imagen y transcriptómicos.

Objetivo del estudio:

• Desarrollar un marco unificado de aprendizaje multimodal para integrar la imagen histológica y la transcriptómica espacial.
• Permitir la alineación intermodal efectiva a través de un espacio de representación latente compartido.

Principales métodos:

• Se utilizó un tallo convolucional ResNet50 y un backbone MobileViT Transformer para la codificación de imágenes histológicas.
• Se emplearon bloques de transformación lineal-GELU-dropout para proyectar las modalidades en un espacio latente compartido.
• Se implementó un objetivo de aprendizaje contrastivo para la alineación intermodal entre las incrustaciones de imágenes y puntos.

Principales resultados:

• MViTGene demostró una precisión de predicción significativamente mayor en comparación con los métodos existentes en el conjunto de datos Visium del hígado humano.
• Se lograron mejoras del 20%, 33% y 12% en la predicción de genes marcadores, genes altamente expresados y genes altamente variables, respectivamente.
• El modelo captura con precisión la correspondencia entre la morfología del tejido y la expresión génica.

Conclusiones:

• MViTGene ofrece una herramienta computacional para la predicción de expresión génica espacial de alto rendimiento.
• El marco equilibra el rendimiento y la interpretabilidad, lo que permite una interpretación biológica más confiable.
• Avanza el campo del análisis de transcriptómica espacial a través de la integración multimodal.