Cross-modal Diffusion Modelling for Super-resolved Spatial Transcriptomics

要約

空間トランスクリプトミクス (ST) の最近の進歩により、発見研究のために組織内の空間遺伝子発現を特徴付けることが可能になります。
しかし、現在の ST プラットフォームは解像度が低く、空間的な遺伝子発現の深い理解を妨げています。
超解像アプローチは、プロファイリングされた組織スポットの遺伝子発現と組織学画像を統合することにより、ST マップを強化することを約束します。
ただし、現在の超解像手法には復元の不確実性とモード崩壊によって制限があります。
拡散モデルは、マルチモーダル条件間の複雑な相互作用の捕捉に有望であることが示されていますが、組織像と遺伝子発現を統合して超解像 ST マップを作成することは依然として課題です。
この論文では、組織学画像のガイダンスによる超解像 ST マップのためのクロスモーダル条件付き拡散モデルを提案します。
具体的には、クロスモーダル適応変調を備えたマルチモーダル解絡ネットワークを設計し、組織像と空間遺伝子発現からの相補情報を利用します。
さらに、組織学画像から階層的な細胞から組織の情報を抽出するための動的なクロスアテンション モデリング戦略を提案します。
最後に、複数の遺伝子の共発現関係をモデル化するための共発現ベースの遺伝子相関グラフ ネットワークを提案します。
実験では、3 つの公開データセットでの ST 超解像度において、私たちの手法が他の最先端の手法よりも優れていることが示されています。

要約(オリジナル)

The recent advancement of spatial transcriptomics (ST) allows to characterize spatial gene expression within tissue for discovery research. However, current ST platforms suffer from low resolution, hindering in-depth understanding of spatial gene expression. Super-resolution approaches promise to enhance ST maps by integrating histology images with gene expressions of profiled tissue spots. However, current super-resolution methods are limited by restoration uncertainty and mode collapse. Although diffusion models have shown promise in capturing complex interactions between multi-modal conditions, it remains a challenge to integrate histology images and gene expression for super-resolved ST maps. This paper proposes a cross-modal conditional diffusion model for super-resolving ST maps with the guidance of histology images. Specifically, we design a multi-modal disentangling network with cross-modal adaptive modulation to utilize complementary information from histology images and spatial gene expression. Moreover, we propose a dynamic cross-attention modelling strategy to extract hierarchical cell-to-tissue information from histology images. Lastly, we propose a co-expression-based gene-correlation graph network to model the co-expression relationship of multiple genes. Experiments show that our method outperforms other state-of-the-art methods in ST super-resolution on three public datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google