研究人员开发了一种新方法，通过将任务重新构建为转录程序空间中的条件生成问题，从组织学图像预测基因表达。该方法利用共识非负矩阵分解 (cNMF) 来识别关键转录程序，然后采用条件扩散模型根据形态学数据生成程序激活。该方法旨在通过利用已建立的转录组学建模实践并降低生成任务的维度，来克服当前空间转录组学技术的成本和可扩展性限制。 AI
影响 这种方法可以显著降低基因表达分析的成本并提高其可扩展性，从而促进更广泛的转录组学研究。
排序理由 该集群描述了一篇关于新的生物数据分析方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- consensus non-negative matrix factorization
- diffusion model
- gene expression
- histology
- Hugging Face
- Morphology-to-Transcriptomics Prediction
- Program-space Diffusion
- spatial transcriptomics
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
