具有卷积和图节点共嵌入的变压器:一个准确和可解释的视觉骨干,用于从局部遗传病理图像中预测基因表达
Xiao Xiao1, Yan Kong2, Ronghan Li3
1State Key Laboratory of Microbial Metabolism, Joint International Research Laboratory of Metabolic and Developmental Sciences, Department of Bioinformatics and Biostatistics, School of Life Sciences and Biotechnology, Shanghai Jiao Tong University, Shanghai, China; SJTU-Yale Joint Center for Biostatistics and Data Science, National Center for Translational Medicine, MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University, Shanghai, China; Department of Biostatistics, Yale School of Public Health, Yale University, New Haven, CT, United States.
Medical image analysis
|November 26, 2023
概括
结合卷积层,变压器和图形神经网络的新方法TCGN,可以准确地从基因病理图像中推断基因表达. 这种方法增强了基因型-表型连接,用于精确的健康应用.
科学领域:
- 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.
- 数字病理学数字病理学
背景情况:
- 从基因病理图像中推断基因表达是具有挑战性的,因为它们的模式不同.
- 现有的方法面临复杂性,可解释性和特征编码的问题.
研究的目的:
- 开发一种准确和可解释的基因表达估计方法,从基因病理图像.
- 解决当前方法在模型复杂性和特征表示方面的局限性.
主要方法:
- 开发了TCGN (具有卷积变压器和图形节点共嵌入方法的变压器).
- 集成卷积层,变压器编码器和图形神经网络.
- 使用单点图像作为输入用于组织病理学分析.
主要成果:
- 在三个空间转录基因数据集 (中位数PCC0.232) 上,TCGN实现了卓越的性能.
- 该模型在最小参数 (86.241万) 和低内存消耗的情况下显示出高精度.
- TCGN提供了可解释性,可以扩展到大量的RNA-seq数据.
结论:
- TCGN是从基因病理图像推断基因表达的有效工具.
- 该方法促进了基因型-表型连接和生物标志物预测.
- TCGN支持精确的健康应用程序和多模式数据建模.
