SegDecon通过基于人工智能的核细分和图像信息的空间解密来桥接组织学和转录学.
Yuesi Xi1, Xun Jiang1,2,3, Jonas C Schupp4,5,6,7
1Centre for Individualised Infection Medicine (CiiM), a joint venture between the Helmholtz-Centre for Infection Research (HZI) and the Hannover Medical School (MHH), Hannover, Germany.
Computational and structural biotechnology journal
|November 14, 2025
概括
SegDecon通过整合图像数据来改进空间转录学,以实现精确的细胞计数. 这种计算框架增强了细胞类型的解卷,从而在空间绘制中提供了更精确的生物解释.
科学领域:
- 计算生物学是一种计算生物学.
- 空间转录组学 空间转录组学
- 生物信息学是一种生物信息学.
背景情况:
- 空间转录组学 (ST) 旨在绘制细胞组成图,但在统一的细胞计数假设方面面临挑战.
- 目前的ST方法可能会因为每个空间点的细胞量化不准确而扭曲生物学解释.
研究的目的:
- 开发SegDecon,一个计算框架,将图像衍生细胞计数集成到贝叶斯解卷法中,用于增强空间转录学分析.
- 为了提高ST数据中细胞类型解卷的准确性和生物忠实性.
主要方法:
- SegDecon利用色调和值 (HSV) 颜色空间转换,形态过和深度学习进行核细分.
- 它量化了每个空间点的核,并通过在修改的cell2location模型中使用Gamma priors完善了细胞类型的解卷.
主要成果:
- 在高分辨率的小鼠大脑ST数据中,SegDecon证明了与地面真相的改善相关性.
- 该框架擅长解决低丰度和空间受限制的细胞类型,增强生物洞察力.
结论:
- SegDecon提供了一种可复制和可访问的方法,以将组织学与转录体解卷结合起来.
- 这种方法显著提高了空间转录学的分辨率和生物真实性.
