通过整合图像意识深度学习方法来增强空间转录学分析
Jiarong Song1, Josh Lamstein, Vivek Gopal Ramaswamy
1Department of Integrated Translational Sciences; City of Hope, Duarte, CA 91010, USA4Dept of Translational Genomics, Keck School of Medicine of USC, CA 91008, USA.
Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
|December 31, 2023
概括
这项研究引入了一种新方法,结合空间转录学和组织学图像来分析癌症组织. 这种综合方法增强了仅仅基因表达所遗漏的关键生物模式的发现.
科学领域:
- 生物医学研究生物医学研究
- 计算生物学 计算生物学
- 癌症研究 癌症研究
背景情况:
- 空间转录组学 (ST) 在组织环境中分析细胞转录.
- 目前的ST分析不足以利用形态数据,主要关注基因表达.
- 了解癌症的空间异质性需要整合不同的数据类型.
研究的目的:
- 开发一种新的方法,整合ST和组织病理学图像,用于全面的癌症组织分析.
- 为了利用从组织学图像以及基因表达数据的形态特征.
- 改进检测具有生物意义的模式在质母细胞瘤和三阴性乳腺癌等侵袭性癌症.
主要方法:
- 利用基于ResNet的深度学习模型从全幻灯片组织学图像中提取形态特征.
- 来自图像分析和ST基因表达数据的PCA减少载体的组合.
- 应用卢瓦恩集群用于图像感知特征发现.
主要成果:
- 图像感知聚类成功识别了关键的组织病理特征,如纤维化和亡.
- 通过综合方法,可以更好地定义EGFR丰富的地区.
- 组合方法揭示了基因表达单纯分析遗漏的关键性病理学特征.
结论:
- 整合空间转录学与组织病理学图像数据,可以更全面地了解癌症组织生物学.
- 这种新的方法增强了微妙但重要的生物模式的发现.
- 这种方法有望推动对攻击性癌症和个性化医学的分析.
