PulseAugur
中
实时 07:24:14
English(EN) HierarchicalDAEW: Domain-Aware Edge-Weighted Graph Convolution with Evidential Uncertainty for Multi-Section Spatial Gene Expression Prediction from H&E Histology

新型人工智能模型可从组织学图像预测基因表达

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 HierarchicalDAEW，这是一种新颖的双图架构，旨在从 H&E 组织学图像预测基因表达。该方法通过整合组织结构和量化预测可靠性，解决了当前空间转录组学分析的局限性。该系统利用了域感知边缘加权卷积算子和基因级别图，该图结合了蛋白质-蛋白质相互作用先验和组织特异性共表达，在各种人类组织类型中实现了与真实表达的更高相关性。 AI

影响 该模型可以通过利用标准的组织学图像，实现更易于访问和常规的转录组范围分析。

排序理由 研究论文，详细介绍了一种新的人工智能模型和方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型人工智能模型可从组织学图像预测基因表达

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Kritanu Chattopadhyay, Soumya Chatterjee, Ondrej Krejcar, Debotosh Bhattacharjee ·

    HierarchicalDAEW：用于H&E组织学多区域空间基因表达预测的具有证据不确定性的域感知边缘加权图卷积

    arXiv:2607.20896v1 Announce Type: new Abstract: Spatial transcriptomics assays remain costly and technically demanding, restricting transcriptome-wide profiling to specialist settings and preventing routine clinical deployment. Predicting spatially resolved gene expression from H…

相关实体

相关话题