ScribbleDom:使用涂注释的组织学图像来识别空间转录组学数据中的域

科学领域:

• 空间转录组学 空间转录组学
• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.

背景情况:

• 空间域识别在空间转录学中至关重要.
• 目前的无监督方法提供了改进的空间.
• 缺乏标记数据限制了监督的方法.

研究的目的:

• 开发一种增强的空间域识别方法.
• 为了提高精度,利用人类的专业知识.
• 引入一个半监督式的学习方法.

主要方法:

• 开发了ScribbleDom,一个半监督的卷积神经网络.
• 综合的人类专家输入 (脚本) 预先知识.
• 利用损失函数结合基因表达相似性和专家注释.
• 集成的Inception块可以捕获空间微环境信息.

主要成果:

• ScribbleDom显著提高了空间域识别质量.
• 实现了大量的定量改进 (例如,调整后的兰德指数达到了169.38%).
• 在基准数据集上表现出卓越的性能,包括人类大脑和癌症样本.
• 在完全不受监督的模式下保持了竞争性结果.

结论:

• 半监督学习与人类输入增强空间域识别.
• ScribbleDom提供了一种强大而灵活的空间转录学方法.
• 该方法为现有的无监督技术提供了有竞争力的替代方案.