零样本基因表达预测的空间转录组学分析
计算机视觉与模式识别
2024-01-29 v1
摘要
空间转录组学（ST）捕获组织切片不同区域（即窗口）内的基因表达。应用于ST建模的传统监督学习框架仅限于预测训练期间见过的基因类型的切片图像窗口表达，无法泛化到未见过的基因类型。为克服这一限制，我们提出了语义引导网络（SGN），这是一个开创性的零样本框架，用于从切片图像窗口预测基因表达。考虑到一种基因类型可以通过功能和表型来描述，我们根据其功能和表型将基因类型动态嵌入为一个向量，并利用该向量在特征空间中将切片图像窗口投影到基因表达，从而实现对未见基因类型的零样本表达预测。基因类型的功能和表型是通过精心设计的提示从预训练的大语言模型（LLM）中查询得到的。在标准基准数据集上，我们展示了与过去最先进的监督学习方法相比具有竞争力的零样本性能。
引用
@article{arxiv.2401.14772,
title = {Spatial Transcriptomics Analysis of Zero-shot Gene Expression Prediction},
author = {Yan Yang and Md Zakir Hossain and Xuesong Li and Shafin Rahman and Eric Stone},
journal= {arXiv preprint arXiv:2401.14772},
year = {2024}
}