从组织学图像预测细粒度细胞类型,通过空间转录学中的交叉模式学习.

科学领域:

• 计算病理学计算病理学
• 空间转录组学 空间转录组学
• 单细胞生物学 单细胞生物学

背景情况:

• 细粒度细胞特征对于理解组织发育,疾病和治疗反应至关重要.
• 空间细胞组织影响瘤微环境,异质性和预后.
• 目前的计算病理学方法在细胞类型识别方面存在局限性.

研究的目的:

• 开发一种新的框架,直接从组织学图像中识别细粒细胞类型.
• 整合形态和分子信息,以改善细胞类型分类.
• 为了能够精确地分析瘤微环境中的细胞组成.

主要方法:

• 提出了一个跨模式的统一代表性学习框架 (CUCA).
• 在配对的形态-分子空间转录组学数据上训练CUCA.
• 采用跨模态嵌入对齐来协调图像和基因表达数据.

主要成果:

• CUCA成功地仅从病理图像中推断出细粒细胞类型.
• 该模型捕获了分子增强的交叉模式表示.
• 在三个数据集中实现了细粒度转录细胞丰度的改进预测.
• 下游分析揭示了对瘤生物学和空间架构的见解.

结论:

• CUCA提供了一个强大的工具,用于从组织学图像中识别细粒度细胞类型.
• 该框架加强了癌症研究中的形态和分子数据的整合.
• CUCA为瘤空间组织和细胞间相互作用提供了新的见解.