使用 HisToSGE 从组织学图像实现高分辨率空间转录组测序
机器学习
2024-07-31 v1 人工智能
计算与语言
摘要
空间转录组学（ST）是一种革命性的基因组技术，使能够对组织切片中基因表达的空间定位进行分析。然而，其受限于高成本和稀疏的空间分辨率。更具成本效益的替代策略是使用深度学习方法从组织学图像预测高密度基因表达轮廓。然而，现有方法难以有效捕获丰富的图像特征，或依赖于低维位置坐标，导致难以准确预测高分辨率的基因表达轮廓。为此，我们开发了HisToSGE，该方法采用病理学图像大型模型（PIML）从组织学图像中提取丰富的图像特征，并利用特征学习模块稳健地生成高分辨率的基因表达轮廓。我们在四个ST数据集上评估了HisToSGE，与五个最先进的基准方法进行比较。结果表明，HisToSGE在生成高分辨率基因表达轮廓方面表现出色，并在空间域识别等下游任务中表现优异。本文中使用的所有代码和公共数据集均可在https://github.com/wenwenmin/HisToSGE 和https://zenodo.org/records/12792163 获取。
引用
@article{arxiv.2407.20516,
title = {Machine Unlearning in Generative AI: A Survey},
author = {Zheyuan Liu and Guangyao Dou and Zhaoxuan Tan and Yijun Tian and Meng Jiang},
journal= {arXiv preprint arXiv:2407.20516},
year = {2024}
}