gene expression
PulseAugur coverage of gene expression — every cluster mentioning gene expression across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 REST 框架可从组织图像预测基因表达
研究人员开发了一个名为 REST（可靠性引导空间转录组学监督）的新框架，用于从组织病理学 HE 染色图像预测基因表达。该方法使用生物程序库来指导过程，估计空间转录组学数据的可靠性并相应地重新加权对齐。REST 旨在提供组织结构内的分子信息，这对于癌症诊断和表征至关重要，并且与现有的病理学基础模型相比，其性能更优。
-
VGL-stGen：多模态模型连接肺组织学和基因表达
研究人员开发了VGL-stGen，这是一种整合了肺组织学图像和空间转录组学数据的多模态大型语言模型。该模型改编自预训练的医学视觉语言模型，使用配对的H&E染色和具有单细胞参考的空间转录组学来连接组织形态学与分子状态。VGL-stGen可以执行多种任务，包括组织和细胞类型分类、基因预测和条件表达补全，展示了共享生成模型在医学研究中的潜力。
-
新的 REST 框架可从 H&E 图像预测分子数据
研究人员开发了一个名为 REST（可靠性引导空间转录组学）的新框架，用于从 H&E 染色的组织病理学图像预测分子信息。该方法利用生物程序库（BPB）为基因表达编码和可靠性估计提供结构。REST 旨在通过弥合视觉形态与分子状态之间的差距来改善癌症诊断和表征，在基因表达、通路活性和细胞特征预测方面优于现有的病理学基础模型。
-
新型扩散模型可根据组织学图像预测基因表达
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。
-
新的COAST框架增强了空间转录组学中的基因表达预测
研究人员开发了COAST，一种利用组织学图像预测空间转录组学中基因表达的新框架。这种上下文感知的差异学习方法利用局部和全局上下文特征，并结合Transformer编码器来捕捉复杂的模式。COAST使用目标点和上下文点之间的绝对表达回归以及有符号差异回归的组合目标进行训练，在多个数据集上表现出改进的性能。
-
新AI框架整合多组学数据用于癌症研究
研究人员开发了一个名为通路活性自编码器（Pathway Activity Autoencoders）的新框架，用于整合多组学数据以进行癌症研究。该方法将先验生物学知识嵌入模型的架构中，在不牺牲表征能力的情况下增强了可解释性。应用于乳腺癌数据后，该框架在生存预测和亚型分类方面显示出潜力，其中基因、蛋白质和microRNA表达层被证明最具影响力。学习到的特征的可视化突显了模型的透明度和临床相关性。
-
新的GC-MoE模型可从组织学图像预测细胞基因表达
研究人员开发了GC-MoE，一种从组织病理学图像估计单细胞基因表达的新方法。该方法利用基因组引导的专家混合模型来预测细胞类型概率和基因表达，旨在减少昂贵的单细胞测量需求。该系统结合了细胞类型特异性预测器和注意力模块，以捕获基因程序和邻近细胞的上下文，与现有方法相比显示出改进的结果。
-
PerturbedVAE框架通过分离基因表达信号来改进单细胞预测
研究人员开发了PerturbedVAE，一个旨在通过解决扰动不变和扰动特异性基因表达信号之间不平衡来改进单细胞扰动预测的新框架。现有方法常常无法有效捕捉稀疏的、扰动特异性信息，导致预测不准确。PerturbedVAE明确分离这些信号以恢复因果表征，在基准测试中取得了最先进的性能，并改进了分布外预测。