HEST-1k:用于空间转录组学和组织学图像分析的数据集
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
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
介绍了一种名为 QuST 的 QuPath 扩展,旨在解决数字病理学中深度学习和空间转录组学分析的数据格式和分析方法上的差异所导致的挑战。
May, 2024
Spatial transcriptomics 技术在组织中提供了多模态的转录组、空间和形态学数据,为了解转录组以外的组织生物学提供了机会。然而,我们发现 ST 数据种类中存在模态偏差现象,即不同模态对标签的贡献不一致导致分析方法倾向于保留主导模态的信息。本文介绍了一种名为 MuST 的多模态结构转换方法,它有效地将 ST 数据中包含的多模态信息整合到均匀的潜空间,为所有下游任务提供基础。通过拓扑发现策略和拓扑融合损失函数学习内在的局部结构,解决不同模态之间的不一致性。因此,这些基于拓扑的和深度学习技术为各种分析任务提供了坚实的基础,协调了不同的模态。MuST 的有效性通过性能评估和生物学意义进行了评估。结果表明,它在识别和保留组织和生物标志物结构的准确性方面优于现有的最先进方法。MuST 为复杂生物系统的精细分析提供了多功能工具包。
Jan, 2024
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
本文介绍了空间病理学工具包(SPT)并应用于肾小球细胞病理学的研究,成功从肾小球细胞核中提取并分析了形态学和纹理特征,揭示了肾小球形态学特征和空间分布模式与肾小球损伤相关的信息。
Aug, 2023
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
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
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