MERGE: Multi-faceted Hierarchical Graph-based GNN for Gene Expression Prediction from Whole Slide Histopathology Images

要約

空間トランスクリプトミクス（Spatial Transcriptomics：ST）の最近の進歩は、組織学的画像と空間的に分解された遺伝子発現プロファイルを対にすることで、画像パッチに基づく異なる組織位置にわたる遺伝子発現の予測を可能にする。これにより、局所的な遺伝子発現を用いた全スライド画像（WSI）予測タスクを強化する新たな可能性が開かれた。しかし、既存の手法では、正確な共同予測に不可欠な異なる組織位置間の相互作用を十分に活用できていない。この問題に対処するため、我々は、WSIからの遺伝子発現予測を改善するために、多面的な階層グラフ構築戦略とグラフニューラルネットワーク（GNN）を組み合わせたMERGE（Multi-faceted hiErarchical gRaph for Gene Expressions）を紹介する。空間的特徴と形態的特徴の両方に基づいて組織画像パッチをクラスタリングし、クラスタ内およびクラスタ間のエッジを組み込むことにより、我々のアプローチはGNN学習中に離れた組織位置間の相互作用を促進する。追加的な貢献として、STデータのアーチファクトを軽減するために必要な様々なデータ平滑化技術を評価する。我々は、より生物学的に正当化される遺伝子を考慮した平滑化手法を採用することを提唱する。遺伝子発現予測に関する実験結果は、我々のGNN手法が複数の指標において最先端の技術を凌駕することを示している。

要約(オリジナル)

Recent advances in Spatial Transcriptomics (ST) pair histology images with spatially resolved gene expression profiles, enabling predictions of gene expression across different tissue locations based on image patches. This opens up new possibilities for enhancing whole slide image (WSI) prediction tasks with localized gene expression. However, existing methods fail to fully leverage the interactions between different tissue locations, which are crucial for accurate joint prediction. To address this, we introduce MERGE (Multi-faceted hiErarchical gRaph for Gene Expressions), which combines a multi-faceted hierarchical graph construction strategy with graph neural networks (GNN) to improve gene expression predictions from WSIs. By clustering tissue image patches based on both spatial and morphological features, and incorporating intra- and inter-cluster edges, our approach fosters interactions between distant tissue locations during GNN learning. As an additional contribution, we evaluate different data smoothing techniques that are necessary to mitigate artifacts in ST data, often caused by technical imperfections. We advocate for adopting gene-aware smoothing methods that are more biologically justified. Experimental results on gene expression prediction show that our GNN method outperforms state-of-the-art techniques across multiple metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL