Spatial Transcriptomics Expression Prediction from Histopathology Based on Cross-Modal Mask Reconstruction and Contrastive Learning

要約

空間トランスクリプトミクスは、さまざまな空間的位置で遺伝子発現レベルをキャプチャする技術であり、腫瘍微小環境分析と組織病理学の分子プロファイリングで広く使用されており、癌の遺伝子発現と臨床診断の解決に関する貴重な洞察を提供します。
データ収集のコストが高いため、大規模な空間トランスクリプトームデータのデータは依然として困難です。
この研究では、全体的なスライド画像から空間的に解決された遺伝子発現を予測するための対照的な学習ベースの深い学習方法を開発します。
6つの異なる疾患データセットにおける評価は、既存の研究と比較して、私たちの方法により、高度に発現した遺伝子、高可変遺伝子、およびマーカー遺伝子の予測におけるピアソン相関係数（PCC）がそれぞれ6.27％、6.11％、および11.26％を改善することを示しています。
さらなる分析は、この方法が遺伝子遺伝子相関を保持し、限られたサンプルを持つデータセットに適用されることを示しています。
さらに、我々の方法は、バイオマーカーの発現に基づいた癌組織の局在の可能性を示しています。

要約(オリジナル)

Spatial transcriptomics is a technology that captures gene expression levels at different spatial locations, widely used in tumor microenvironment analysis and molecular profiling of histopathology, providing valuable insights into resolving gene expression and clinical diagnosis of cancer. Due to the high cost of data acquisition, large-scale spatial transcriptomics data remain challenging to obtain. In this study, we develop a contrastive learning-based deep learning method to predict spatially resolved gene expression from whole-slide images. Evaluation across six different disease datasets demonstrates that, compared to existing studies, our method improves Pearson Correlation Coefficient (PCC) in the prediction of highly expressed genes, highly variable genes, and marker genes by 6.27%, 6.11%, and 11.26% respectively. Further analysis indicates that our method preserves gene-gene correlations and applies to datasets with limited samples. Additionally, our method exhibits potential in cancer tissue localization based on biomarker expression.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google