该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。
Sep, 2020
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
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
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。
通过H&E染色全屏幕图像，将分子组成与组织形态学编码结合的空间转录组学，可以用于计算方法和生物标志物鉴定的研究。
我们提出了一个系统策划且处理过的数据库，从26个公共资源中收集，相较于以前的作品增加了8.6倍，同时我们还提供了一种最先进的基于转换器的补全技术用于推测缺失的基因表达，这极大地提高了对所有数据集的转录组预测性能。
Jul, 2024
本研究针对空间转录组学在临床实践中应用的挑战，提出了一种新颖的模型HistoSPACE，旨在通过提取组织图像中的分子信息解决信息多样性不足的问题。该模型利用通用图像自编码器构建了轻量级图像编码器，并通过空间转录组数据进行微调，显示出优于现有算法的效率与准确性，具有提升精准医疗潜力的重要性。
Aug, 2024
本研究针对空间转录组学（ST）数据获取成本高昂的问题，提出了一种名为M2OST的模型，通过解耦多尺度特征提取器来解决现有方法忽略的多尺度信息和点间视觉信息损失问题。M2OST展示了在使用更少参数和浮点运算的情况下，能够在多个公共ST数据集上实现最先进的性能，具有显著的潜在影响。
Sep, 2024