ProteinPNet：面向空间蛋白学概念学习的原型部件网络
机器学习
2025-12-03 v1
摘要
理解肿瘤微环境(TME)的空间结构对于推进精密肿瘤学至关重要。我们提出了 ProteinPNet,一个基于原型部件网络的新框架,从空间蛋白学数据中发现 TME 图案。不同于传统的事后解释模型,ProteinPNet 通过监督训练直接学习判别性、可解释且忠实的空间原型。我们在具有真实图案的合成数据集上验证了该方法,并进一步在真实世界的肺癌空间蛋白学数据集上进行测试。ProteinPNet 持续识别出与不同肿瘤亚型相匹配的生物学有意义的原型。通过图形和形态学分析,我们表明这些原型捕获了可解释的特征,指向免疫浸润和组织模块化的差异。我们的结果凸显了原型基学习在揭示 TME 中的可解释空间生物标志物方面的潜力,并对空间组学中的机制发现具有启示意义。
引用
@article{arxiv.2512.02983,
title = {ProteinPNet: Prototypical Part Networks for Concept Learning in Spatial Proteomics},
author = {Louis McConnell and Jieran Sun and Theo Maffei and Raphael Gottardo and Marianna Rapsomaniki},
journal= {arXiv preprint arXiv:2512.02983},
year = {2025}
}