SciSt:基于病理图像的单细胞参考信息的空间基因表达预测

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.
• 数字病理学数字病理学

背景情况:

• 空间转录学对于了解疾病机制至关重要,但受到样本稀缺性和高成本的限制.
• 临床组织病理学图像 (H&E染色) 为空间分析提供了一个庞大的,具有成本效益的资源.
• 现有的方法难以准确地从基因病理学图像中预测空间基因表达,这是因为捕捉转录结构的局限性.

研究的目的:

• 开发一种新的深度学习框架SciSt,用于从基因病理图像中预测空间基因表达.
• 通过将病理特征与生物知情初始基因表达结合起来,提高生物解释性和准确性.
• 通过使用随时可用的临床图像档案,实现高效和成本效益的大规模空间分析.

主要方法:

• 开发了SciSt,这是一个深度学习框架,将病理特征与生物学信息的初始基因表达结合起来.
• 使用结合细胞细分和单细胞参考数据的加权策略生成初始基因表达.
• 在三个基准数据集和TCGA-BRCA和TCGA-LIHC队列上验证了SciSt,用于性能和概括.

主要成果:

• 在从H&E图像中预测空间基因表达方面,SciSt取得了最先进的性能.
• 在基准数据集上,超越现有模型的表现分别为21.4%和13.7%.
• 在临床TCGA队伍中展示了强大的概括能力,突出了其在现实世界中的应用性.

结论:

• SciSt有效地预测了基因病理图像的空间基因表达,克服了当前方法的局限性.
• 该框架能够实现形态和基因表达之间的交叉翻译,释放临床图像档案的潜力.
• 整合先前的生物知识显著提高了生物医学AI模型的可解释性和可扩展性.