基于深度学习的多尺度集成空间奥米克与瘤形态的瘤形态

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 空间转录组学 (spTx) 提供了对瘤微环境和治疗点的关键见解.
• 目前的spTx技术尚未广泛应用于常规临床使用.
• 血素和素 (H&E) 片是癌症诊断中的标准.

研究的目的:

• 开发一种深度学习方法,将spTx数据与来自H&E幻灯片的瘤形态结合起来.
• 为了从常规可用的H&E图像中预测spTx.
• 为了弥合先进的spTx研究和临床实践之间的差距.

主要方法:

• 开发了一种基于深度学习的方法,称为MISO (spTx与瘤形态的多尺度集成).
• MISO受过训练,可以使用H&E染色组织学图像预测spTx数据.
• 该模型在72个10X Genomics Visium样本和MOSAIC联盟的348个额外样本上得到了验证.

主要成果:

• 在多种癌症类型中,MISO成功地从H&E图像中预测了spTx.
• 该方法在广泛的基准指标中表现出高于现有方法的性能.
• MISO实现了接近单细胞分辨率的空间分辨率基因表达预测.

结论:

• MISO提供了一个可扩展的解决方案,用于从H&E幻灯片中预测空间基因表达.
• 这种方法可以使spTx数据在癌症研究和诊断中的使用民主化.
• MISO有助于更深入地了解瘤生物学,并识别治疗点.