研究人员开发了一种新颖的多尺度图神经网络（GNN），能够直接从全切片图像（WSI）中预测不同分辨率（批量、空间和单细胞）的基因表达。该模型利用病理基础模型（UNI2-h）提取形态学特征，并在块和细胞层面构建空间图。该GNN在来自癌症基因组图谱计划、Visium和Xenium在肺、肾和乳腺组织的数据上进行训练，在预测切片级基因表达方面表现出准确性，在块和单细胞层面也取得了中等成功。这些预测在下游临床任务（如生存分析和肿瘤分类）中也显示出实用性。 AI
影响 该模型能够从易于获得的病理图像中实现更具成本效益和可扩展性的基因表达分析，从而有助于疾病研究。
排序理由 该项目是一篇学术论文，详细介绍了一种用于生物数据分析的新机器学习模型。[lever_c_demoted from research: ic=1 ai=1.0]
- kidney
- lung
- Multi-Scale Graph Neural Network
- Pathology Foundation Model
- single-cell RNA-seq
- spatial transcriptomics
- The Cancer Genome Atlas Program
- UNI2-h
- Xenium
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
