从使用STMCL的H&E染色组织学图像推断多切片空间解析的基因表达
Zhiceng Shi1, Fangfang Zhu2, Wenwen Min1
1School of Information Science and Engineering, Yunnan University, Kunming, 650500, Yunnan, China.
Methods (San Diego, Calif.)
|January 4, 2025
概括
这项研究介绍了STMCL,这是一种新的深度学习方法,使用多式联络数据从组织学图像中预测空间基因表达,为生物研究提供了具有成本效益的替代方案.
科学领域:
- 计算生物学是一种计算生物学.
- 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) 能够在组织环境中测量基因表达,但成本昂贵.
- 从组织学图像中预测空间基因表达是一种具有成本效益的方法.
- 现有的方法不能完全整合多模式ST和病理学数据.
研究的目的:
- 开发一种新的多式模式对比学习框架 (STMCL),用于准确的空间基因表达推断.
- 利用组织学图像,基因表达数据和空间位置来改善预测.
- 为大规模空间基因表达分析提供成本有效的解决方案.
主要方法:
- 开发了STMCL,一种多式模式对比学习框架.
- 综合组织学图像,基因表达特征和斑点位置.
- 利用了来自10X Genomics的四个多切片空间转录组数据集.
主要成果:
- 在预测空间基因表达特征方面,STMCL在基线方法上表现出优越的性能.
- 该框架成功捕获了特定于癌症的高表达基因.
- 在保持空间结构的同时,STMCL保留了基因表达模式.
结论:
- STMCL为空间基因表达推断提供了一种有效且具有成本效益的方法.
- 这种方法增强了组织学图像的实用性,以了解组织中的基因表达.
- 这项工作推进了深度学习在空间转录学分析中的应用.
更多相关视频
07:41Rigid Embedding of Fixed and Stained, Whole, Millimeter-Scale Specimens for Section-free 3D Histology by Micro-Computed Tomography
Published on: October 17, 2018
8.8K
10:59Reconstruction of 3-Dimensional Histology Volume and its Application to Study Mouse Mammary Glands
Published on: July 26, 2014
14.4K
