Jun, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 通过双模式对比学习从 H&E 组织学图像中空间预测基因表达

    该研究提出一种生物模态嵌入框架 Bi-modaL Embedding for Expression Prediction (BLEEP)，可以生成整张组织学图像中的基因表达文件，以此代替传统的时间与金钱代价高昂的基因表达分析方式进行医学诊断和研究。

    Jun, 2023

  • 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

  • 零样本基因表达预测的空间转录组学分析

    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。

    Jan, 2024

  • hist2RNA：由乳腺癌组织病理学图像预测基因表达的有效深度学习架构

    利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

    Apr, 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

  • 组织基因知识蒸馏用于癌症预后从组织病理学全扫描图像

    G-HANet 是一种新颖的基于基因组知识提炼的超级关注网络，通过对 WSI 图像进行基因组数据重构，实现了来自组织病理学和基因组学角度的病人超级关注建模，以改善癌症预后。

    Mar, 2024

  • 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

  • M2ORT: 基于组织病理学图像的空间转录组学预测的多对一回归变换器

    利用多对一回归变压器 M2ORT，通过分解多尺度特征提取器来处理病理图像的层次结构，从而直接从数字病理图像预测空间转录组学表达，实现了更少的参数和浮点计算，并在三个公共转录组学数据集上取得了最先进的性能。

    Jan, 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