整合病理学基础模型和空间转录组学以从组织学图像中进行细胞分解-计算机科学-深度学习-数字病理学.pdf

整合病理学基础模型和空间转录组学以从组织学图像中进行细胞分解

122

YutongSunSichenZhuPengQiu

Abstract1.介绍

空间转录组学（ST）能够在保持其空间背景的同时

数字病理学和现代深度学习的迅速发展促

进行全面的基因表达分析。在2021年，自然方法将

进了病理基础模型的出现，这些模型有望

其命名为“2020年度方法”，强调了它的影响。在可

在一个统一的模型中解决各种疾病条件下

用的平台上，10xGenomicsVisium广泛用于全基

的通用病理问题，无论是否进行微调。同

因组表达谱分析。Visium在苏木精和伊红（HE）

时，空间转录组学作为一项变革性技术出

染色组织切片上使用55个m点位，每个点位捕获

本现了，它能够对苏木精和伊红（HE）染

该区域内多个细胞的信号，并达到次优到单细胞分

译色的组织切片图像中的基因表达情况进行

辨率。

中分析。空间转录组学解锁了前所未有的机

1会，使我们能够在更精细、细胞级别的层面给定每个点的基因表达，空间去卷积算法通过整合

v上深入研究现有的组织切片图像。在这项空间解析的基因表达和来自其他独立研究的单细胞

3

1工作中，我们提出了一种轻量级且训练效RNA测序参考，推断出每个点的细胞类型组成。现

0

7率高的方法，通过利用从预训练的病理基有方法如cell2location(Kleshchevnikovetal.,2022)、

0.础模型中提取的信息丰富的特征嵌入，直RCTD(Cableetal.,2022)和Stereoscope(Andersson

7接从HE染色的组织切片图像预测细胞etal.,2020)使用概率模型来建模空间解析基因表

0

5组成。通过对通过cell2location衍生出的达的分布，而矩阵分解技术如SpatialDWLS(Dong

2

:细胞类型丰度进行训练的轻量级多层感知Yuan,2021)和SPOTlight(Elosua-Bayesetal.,

v

i机（MLP）回归器，我们的方法有效地提2021)则通过回归估计比例。其他方法如CARD(Ma

x

r炼了病理基础模型的知识，并展示了准确Zhou,2022)和深度学习模型例如Tangram(Bian-

a

地从组织切片图像预测细胞类型组成的性calanietal.,2021)和DestVI(Lopezetal.,2022)结

能，而无需实际执行成本高昂的空间转录合了空间先验或与单细胞参考对齐。

组学。与现有的方法如Hist2Cell相比，我

上述方法需要空间转录组数据和高质量