DANet:通过动态对齐从H&E组织学图像进行空间基因表达预测
Yulong Wu1, Jin Xie1, Jing Nie2,3
1School of Big Data and Software Engineering, Chongqing University, Chongqing 400044, China.
Briefings in bioinformatics
|August 20, 2025
概括
从组织学图像中预测空间基因表达比测序更快,更便宜. 我们的新方法通过使用密集结构和状态空间模型捕捉局部细节和基因相关性来提高准确性.
科学领域:
- 计算病理学
- 生物信息学
- 医学中的机器学习
背景情况:
- 来自组织学图像的空间基因表达预测可以加速组织结构和疾病的研究和理解.
- 目前的方法与细粒度的局部特征提取和基因-基因相关性建模存在困难.
- 在双模式对比学习中调整异质模式是一个重大挑战.
研究的目的:
- 开发一种新的方法来准确地从血素和埃素组织学图像中预测基因表达.
- 增强局部图像特征的捕获,并改进基因对应模型.
- 解决对比学习中异质模式的动态和有效调整的挑战.
主要方法:
- 引入了密集的连接结构以实现高效的特征重复使用和本地特征挖掘.
- 使用状态空间模型来捕捉1D基因表达数据中的依赖性,以改进基因-基因相关性建模.
- 设计了可学习的Kolmogorov-Arnold网络 (RKAN),用于在对比训练期间进行动态双模映射和对齐.
主要成果:
- 在空间基因表达预测准确度方面显著改善.
- 展示了密集的连接结构在捕捉局部图像细节中的有效性.
- 验证了状态空间模型和RKAN能够有效地建模基因相关性和调整模式的能力.
- 与现有方法相比,在两个公开数据集 (GSE240429和HER2+) 上取得了更高的性能.
结论:
- 拟议的方法显著提高了从组织学图像的空间基因表达预测.
- 新的架构有效地解决了特征提取,基因-基因相关性建模和多式调整方面的局限性.
- 这种方法为理解组织生物学和疾病提供了比传统的基因表达测序更有效,更准确的替代方案.
