BiTro：双向迁移学习提升癌症病理图像中的bulk与空间转录组预测

癌症病理分析需要通过转录组学和全切片成像（WSI）以及它们的空间关系来建模肿瘤异质性。在一方面，bulk转录组和WSI图像可获取，但缺乏空间映射；另一方面，空间转录组（ST）数据可提供高空间分辨率，但面临高成本、低测序深度和样本量有限的挑战。因此，两侧的数据基础都不完整，难以准确寻找两种模态之间的映射关系。为此，我们提出BiTro，一种双向迁移学习框架，可从病理图像增强bulk和空间转录组预测。我们的贡献有两方面：其一，我们设计一种通用且可迁移的模型架构，适用于bulk+WSI和ST数据。一个重要亮点是，我们在细胞水平建模WSI图像，以更好地捕获细胞的视觉特征、形态表型及其空间关系；为将细胞特征映射到bulk或ST中，我们采用多实例学习。其二，借助LoRA技术，我们的模型可在bulk和ST数据之间高效迁移，以利用它们的互补信息。为测试我们的框架，我们在五个癌症数据集上进行了全面实验。结果表明：1）我们的基础模型在bulk或空间转录组预测方面表现优于或与现有模型持平；2）迁移学习进一步提升了基础模型的性能。