用组织学图像进行空间基因表达预测的多模式对比学习

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 空间转录学 (ST) 提供了对基因表达的深入洞察,但成本高昂.
• 血素和 (H&E) 全片图像为基因表达预测提供了一个可访问的替代方案.
• 当前的人工智能方法往往无法有效地整合多式联运的H&E和ST数据.

研究的目的:

• 开发一个具有成本效益的AI模型,用于使用H&E图像和ST数据预测空间基因表达.
• 利用来自H&E图像和空间位置的多式联络信息来提高预测准确度.
• 克服现有方法在整合不同数据源方面的局限性.

主要方法:

• 提出了mclSTExp,这是一个使用变压器和Densenet-121编码器的多式对比学习框架.
• 通过变压器自我注意力将处理的空间转录学点作为"词"来整合内在的特征和空间上下文.
• 通过对比学习来改进预测性能,内置了H&E图像功能.

主要成果:

• mclSTExp在预测两个乳腺癌和一个皮肤状细胞癌数据集中的空间基因表达方面表现出卓越的表现.
• 该模型有效地预测了高度可变的基因,展示了增强的预测能力.
• 在预测空间基因表达模式方面取得了高准确性.

结论:

• mclSTExp为空间基因表达预测提供了一种强大且具有成本效益的解决方案.
• 该模型在识别癌症特异性基因,免疫相关基因和专门的空间域方面表现有前途.
• 这种方法促进了更深入的生物系统分析和疾病研究.