可扩展主题建模解码空间组织架构,用于大规模的多重成像分析

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 病理学 病理学 病理学

背景情况:

• 多复合组织成像技术推进了瘤微环境研究.
• 分析大型全幻灯片图像是计算密集的.
• 对于整合性交叉图像分析存在有限的方法.

研究的目的:

• 介绍SpatialTopic,这是一个空间主题模型,用于从多重图像中解码组织架构.
• 整合细胞类型和空间数据以识别反复出现的,具有生物意义的空间模式 ("主题").

主要方法:

• 开发了一个空间主题模型SpatialTopic.
• 集成的细胞类型和空间信息.
• 在多种不同的空间转录和蛋白质图像平台和组织类型中进行基准测试.

主要成果:

• 空间主题可扩展到具有高精度和可解释性的大图像.
• 确定了生物学和临床意义上的空间主题,包括三级淋巴体结构.
• 在疾病进展过程中跟踪空间变化.

结论:

• SpatialTopic提供了一种高效且广泛适用的方法,用于分析大规模的多重成像数据集.
• 增强对与疾病相关的空间组织架构的理解.