空间转录学从基因病理学的表达预测,基于交叉模式的面具重建和对比学习

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 生物医学成像学 生物医学成像学

背景情况:

• 空间转录学为瘤微环境分析和癌症诊断提供了关键的基因表达数据.
• 获得大规模的空间转录学数据是具有挑战性的,因为成本很高.
• 现有的方法在有限的空间转录组学数据集中扎.

研究的目的:

• 开发一种新的深度学习方法,用于从全幻灯片图像 (WSIs) 中预测空间分辨的基因表达.
• 通过使用多模态对比学习,建立基因病理形态和空间基因表达之间的对应.
• 通过跨模态掩盖重建来增强模式之间的特征级融合.

主要方法:

• 提出了一个基于对比学习的深度学习框架.
• 多模态对比学习将基因病理特征与基因表达结合起来.
• 交叉模式的掩面重建被用作特征融合的借口任务.
• 该方法不需要大量的预训练数据集或抽象的语义表示.

主要成果:

• 该方法准确地预测了WSIs的空间解析基因表达.
• 皮尔森相关系数 (PCC) 在预测高度表达,高度可变和标记基因 (分别增加6.27%,6.11%和11.26%) 中得到显著改善.
• 该方法保留了基因对基因的相关性,并且在有限的样本数据集中有效.
• 基于生物标志物表达的癌症组织局部化潜力被证明.

结论:

• 开发的方法为预测WSI的空间基因表达提供了有效的解决方案,特别是在数据有限的场景中.
• 这种方法增强了空间转录学在癌症研究和临床诊断中的实用性.
• 该方法对推进计算病理学和生物标志物发现有前途.