从整个幻灯片图像中绘制基因表达的多尺度映射,用于识别表型相关的亚群

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.
• 病理学 病理学 病理学

背景情况:

• 发现与表型相关的亚种群对于向治疗和预后生物标志物开发至关重要.
• 目前使用深度学习的方法从全幻灯片图像 (WSIs) 中推断基因变化,通常在单个尺度上运行.
• 多尺度基因表达分析对于全面理解至关重要.

研究的目的:

• 引入BiSCALE,这是一个深度学习框架,用于在组织 (批量) 和近细胞 (点位) 层面预测WSI的基因表达.
• 将这些多尺度基因表达预测与临床表现型联系起来.
• 建立一个具有成本效益的方法,用于多规模的基因分析和与表型相关的特征发现.

主要方法:

• 开发了BiSCALE,这是一个集WSI基础编码器和Vision-Mamba融合模块的深度学习框架.
• 采用了两阶段的培训策略,以解决批量和随机数据之间的规模和分布差异.
• 在2109个大量瘤样本和三种癌症类型的141,000个空间转录组学斑点上训练了模型.

主要成果:

• 毕斯卡尔的表现超过了既定的批量和空间基线,并且很好地对独立的队列进行了概括.
• 在预测的批量和现场基因表达特征之间显示出强烈的一致性.
• 成功恢复了生物相关途径活动,并支持下游应用,如风险分层和细胞身份注释.

结论:

• BiSCALE提供了一种具有成本效益的方法,用于从常规病理图像中进行多尺度基因分析.
• 该框架有助于发现表型相关的亚种群,包括与复发和缺氧相关的亚种群.
• BiSCALE能够实现先进的应用,例如患者级风险分层和现场级细胞注释.