Img2ST-Net:通过完全卷积的图像对图像学习,从整个幻灯片组织学图像进行高分辨率的高效空间奥米克预测

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学中的人工智能
• 高分辨率的空间影像.

背景情况:

• 空间转录学 (ST) 数据生成是昂贵和耗时的.
• 高分辨率的ST平台 (例如Visium HD) 提出了计算和建模方面的挑战.
• 现有的方法在高分辨率的ST数据的规模,稀疏性和低表达水平方面扎.

研究的目的:

• 从组织学图像开发高分辨率空间转录学预测的高效并行框架.
• 为解决高清ST数据的传统点对点回归方法的局限性.
• 提高生成的ST数据的准确性和空间连贯性.

主要方法:

• 提出了Img2ST-Net,这是一个完全卷积网络,用于密集,高清 (HD) 基因表达地图生成.
• 以超像素表示形式建模HD ST数据,将任务转化为超内容图像生成.
• 引入了SSIM-ST,这是一个基于结构相似性的指标,用于评估高分辨率ST数据的稳定性.

主要成果:

• Img2ST-Net在Visium HD数据集 (8和16微米分辨率) 上的性能优于最先进的方法.
• 在乳腺癌 (MSE 0.1657) 和结肠直肠癌 (MSE 0.7981) 数据集上取得了高精度.
• 通过区域智能建模,通过对比学习增强空间真实性,通过区域智能建模,通过训练时间加速多达28倍.

结论:

• 为高分辨率的ST预测提出了一个可扩展的,生物连贯的框架.
• Img2ST-Net提供了一种有效且准确的解决方案,用于在规模上进行ST推断.
• 该框架为下一代解决方案意识的ST建模奠定了基础.