FineST:对比式学习整合了组织学和空间转录组学,用于核溶解的配体-受体分析.
Lingyu Li1, Tianjie Wang1, Zhuo Liang2
1School of Biomedical Sciences, The University of Hong Kong, Hong Kong, SAR, China.
Nature communications
|March 17, 2026
概括
FineST通过整合组织学图像来增强空间转录学 (ST),改善RNA归算和细胞通信分析,以获得更好的癌症洞察力.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 癌症研究 癌症研究
背景情况:
- 空间转录学 (ST) 对于理解细胞-细胞通信 (CCC) 在发育和疾病中至关重要.
- 目前的ST方法在分辨率和数据稀疏性方面存在局限性,这阻碍了组织中详细的CCC模式分析.
研究的目的:
- 介绍FineST,一种用于细粒度空间转录学分析的深度对比学习模型.
- 将ST数据与组织学图像融合在一起,以提高分辨率和CCC模式发现.
主要方法:
- 开发了FineST,这是一个深度对比学习模型,将组织学基础模型与ST数据集成在一起.
- 将FineST应用于结直肠癌VisiumHD和乳腺癌Xenium数据集.
- 评估了FineST用于核细分,RNA表达赋值,细胞类型预测和CCC模式识别.
主要成果:
- 与现有方法相比,FineST显著改善了高分辨率RNA赋值,细胞类型预测和CCC模式发现.
- 该模型使精确的核细分和识别复杂的联体受体相互作用成为可能.
- 对癌症数据集的分析揭示了对瘤与免疫相互作用的新见解,包括侵入性前线,三级淋巴体结构和治疗耐药性障碍.
结论:
- FineST通过整合组织学图像,克服分辨率和稀疏性限制,为ST分析提供了一个新的范式.
- 这种方法提高了对复杂的生物过程和疾病机制的理解,特别是在癌症中.
- 组织学图像与ST数据的整合为生物发现提供了强大的工具.


