Jan, 2024

零样本基因表达预测的空间转录组学分析

PDF
TL;DR本研究提出了一种语义引导的网络，用于从滑动窗口的图像预测基因表达，解决了传统监督学习模型的局限性，并在标准基准数据集上展示了与过去最先进的监督学习方法相媲美的零样本表现。
spatial transcriptomicssupervised learningsemantic guided networkzero-shot frameworkgene expression prediction
发现论文，激发创造
  • 通过多视图图形对比学习与 HSIC 瓶颈正则化从组织学中预测空间分辨率基因表达

    通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB)，以学习共享表示来考虑空间依赖性，从而根据查询的图像点来估计相应的基因表达量。

    Jun, 2024

  • 空间转录组学的潜在空间推理

    通过使用概率机器学习方法，将细胞的遗传表达信息和细胞在组织样本中的空间坐标映射到一个联合潜变量空间中，可以获得完整的遗传表达和空间信息，从而更好地理解细胞过程和通路。

    Nov, 2023

  • SEPAL：基于局部图的空间基因表达预测

    SEPAL 是一种新的模型，可以从组织外观直接预测基因组，通过利用生物学偏差来直接监督相对差异并通过图神经网络利用每个坐标的局部视觉上下文进行预测，该方法将当前方法中的完全局部性和完全全局性之间的差距缩小，并通过在转录组学中遵循当前最佳实践并限制预测变量仅为具有明确空间模式的变量来提出了一种旨在更好地定义该任务的新的基准，通过在两个不同的人类乳腺癌数据集中进行了广泛评估表明，SEPAL 优于之前的最先进方法和包括空间上下文的其他机制。

    Sep, 2023

  • 通过整合多分辨率特征实现准确的空间基因表达预测

    TRIPLEX 是一个深度学习框架，通过整合多分辨率特征来准确预测基因表达，相较于现有的模型，在均方误差、平均绝对误差和皮尔逊相关系数方面表现优秀，并能够与基因表达谱和肿瘤注释密切匹配，强调其在癌症诊断和治疗方面的潜力。

    Mar, 2024

  • 基于 scRNA-seq 和空间转录组学的非配对数据联合模型，用于填充丢失的基因表达测量值

    本文提出了一种基于深度生成模型 gimVI 的方法，用于整合空间转录组学和单细胞 RNA 测序数据以推断空间转录组学数据中缺失的基因表达信息并比较了其与其他方法的性能。

    May, 2019

  • 跨模型扩散建模用于高分辨率空间转录组学

    使用跨模态条件扩散模型，结合组织学图像和基因表达进行超分辨率空间转录测序图，实现了更高的精度和性能。

    Apr, 2024

  • STimage-1K4M: 一个用于空间转录组学的组织病理学图片 - 基因表达数据集

    本研究介绍了 STimage-1K4M，这是一个包含基因表达信息的新型数据集，用于多模态数据分析和计算病理学等领域，为细胞病理学研究提供了前所未有的精细度。

    Jun, 2024

  • 计算病理学中的基于转录组学指导的幻灯片表示学习

    使用自监督学习和基因表达谱进行多模态预训练，Tangle 可以在组织学图像中构建幻灯片嵌入，并且在性能上优于有监督和无监督基线模型。

    May, 2024

  • 在单分子分辨率的空间转录组学中使用空间点过程预测未来状态

    利用基于随机森林回归的流程，本研究预测果蝇胚胎发育过程中 Sog-D 基因表达的细胞未来分布，以揭示细胞和有机体在超分辨全胚空间转录组成像中如何控制基因表达；通过结合细胞在胚胎发育的每个阶段的状态和 Ripley's K-function，我们得到了平均活跃细胞分布的预测准确性，该工具类似于空间分辨的发育生物学 RNA 速度，通过一个数据点可以利用空间点过程的特征预测未来的空间基因表达。

    Jan, 2024

  • 单细胞 RNA 测序的基因表达剖面深度生成模型

    提出了一种针对单细胞 RNA 测序随机解释基因表达水平的概率模型，其利用低维潜在表示、额外潜在变量和神经网络进行条件分布的建模，并利用方差推断和随机优化来拟合数据。此推断过程适用于 100 万个细胞以上的数据，且优于 ZIFA 和 ZINB-WaVE 方法。作者还将该框架扩展到批次效应和其他混淆因素，并提出了一种超越 DESeq2 方法的 Bayesian 假设检验，以分析基因差异表达。

    Sep, 2017