KAFSTExp:使用Nystrom近似进行内核自适应过,用于从组织学图像中预测空间基因表达

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 空间转录学 (ST) 对于瘤异质性分析至关重要,但成本昂贵.
• 从病理图像中预测基因表达提供了一个具有成本效益的替代方案.
• 当前的深度学习模型面临着有限的ST数据的泛化挑战.

研究的目的:

• 开发一种新的框架,KAFSTExp,用于从病理图像中准确预测基因表达.
• 利用内核自适应过 (KAF) 和基础模型进行增强的空间转录学分析.
• 解决现有的深度学习模型在处理ST数据中的复杂,非线性关系方面的局限性.

主要方法:

• 使用UNI病理学基础模型进行图像特征编码.
• 实现了内核最小平均平方算法与尼斯特罗姆近似用于基因表达预测.
• 开发了KAFSTExp框架,将图像分析与基因表达预测集成在一起.

主要成果:

• KAFSTExp显著提高了对正常化转录计数的预测准确性.
• 该方法证明了计算成本和培训时间的大幅减少.
• 在数据集的皮尔森相关系数 (PCC) 中实现了相对改善,从1.24%提高到94.23%.

结论:

• KAFSTExp提供了一个计算高效和准确的方法,用于空间转录学分析.
• 该框架显示出强大的概括性能和临床应用价值.
• 这种方法为传统的ST检查提供了一种可行且具有成本效益的替代方案.