spatial transcriptomics
PulseAugur coverage of spatial transcriptomics — every cluster mentioning spatial transcriptomics across labs, papers, and developer communities, ranked by signal.
5 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。
-
HistoLoop Transformer 改进了从组织学图像预测基因表达
研究人员开发了 HistoLoop，一种新颖的循环 Transformer 模型，用于从组织学图像预测空间基因表达。这种迭代方法通过在越来越精细的分辨率下构建来自更新的斑点状态的上下文来改进预测。HistoLoop 在 HEST-Bench HVG50 基准测试中表现出色，在各种癌症类型和器官的基因预测中实现了最高的关联度。
-
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。
-
高维点云边界检测新方法揭晓
研究人员开发了两种检测高维点云数据内部边界的新方法，旨在应对非均匀密度、高环境维度和显著噪声等挑战。第一种方法在执行局部降维后，将分离超平面拟合到局部邻域，当数据的内在维度能够被准确估计时效果最佳。第二种方法评估局部邻域的方向均匀性，并在合成数据集上表现出优越的性能。两种算法都提供点状数值边界得分，并估计每个边界点的法向量，其应用已在分析空间转录组学数据以识别肿瘤边界和研究LLM激活几何形状中得到展示。
-
一篇被撤稿的研究论文探讨了多组学与心血管影像的整合
一篇已被撤稿的研究论文探讨了将各种多组学数据与心血管影像技术相结合。该研究旨在将来自超声心动图、MRI和CT扫描的影像表型与来自批量、单细胞和空间转录组学的分子数据联系起来。文章回顾了多模态融合方法，并讨论了诸如缺失数据和批次效应等挑战，重点关注放射组学和空间分子对齐在心血管领域的转化应用。
-
新的AI模型可从组织学图像预测基因表达
研究人员开发了从组织学图像预测基因表达的新方法，为传统的空间转录组学提供了更具成本效益的替代方案。一种方法GATE-ST，通过跨注意力将基因的文本描述与图像数据相结合，以提高预测准确性。另一种方法CELLO，利用单一病理基础模型前向传递和网格采样，在单细胞水平上预测基因表达，与以前的方法相比实现了显著的加速。
-
新模型HyCLoST利用双曲几何改进基因表达预测
研究人员开发了一个名为HyCLoST的新模型，该模型利用双曲几何和蕴含损失来改进从组织病理学图像预测基因表达。该方法旨在通过捕捉基因调控和组织形态的层级结构来解决当前方法的过度平滑和均匀性问题。与现有技术相比，HyCLoST在26个空间转录组学数据集上展示了均方误差降低6%，皮尔逊相关系数提高8%。
-
新的流匹配方法增强了用于设计和成像的生成模型 · 跟踪了 6 个来源
研究人员正在探索先进的流匹配技术，以增强用于逆向设计问题和图像生成的生成模型。条件流匹配 (CFM) 在工程逆向设计方面显示出潜力，在最优性差距和偏差等指标上优于扩散模型和条件 GAN。其他方法侧重于无训练精炼，例如使用发散信号来提高生成质量的流发散采样器 (FDS)，以及在冻结模型中迭代更新 Transformer 层以提高图像生成保真度的隐藏状态精炼技术。这些进展旨在提高从结构和热设计到文本到图像合成和 MRI 协调等任务的效率和准确性。
-
新的AI模型将组织学图像翻译成空间转录组学数据
两篇新研究论文Path2ST和PaSTel介绍了将组织学图像翻译成空间转录组学数据的先进方法。Path2ST利用分层方法，将跨模态翻译建立在细胞和组织结构的基础上，以生成准确的基因表达谱。PaSTel通过整合多尺度生物先验（包括TF-IDF基因选择、KEGG通路和空间聚类）来增强这一点，从而为空间转录组学创建更具信息性和可转移性的表示。
-
解耦表示提升形态转录组整合
研究人员探索了通过解耦共享和模态特定变异来改进空间转录组学和苏木精-伊红（H&E）成像数据整合的方法。他们比较了变分自编码器（VAE）和对比学习方法，发现对比学习目标通常能带来更好的下游探测性能。该研究表明，显式地分解共享信息可以增强空间转录组学多模态表示学习，为评估未来的基础模型提供了一个框架。
-
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。
-
CellWorld基础模型推进空间转录组预测
研究人员推出了一种新颖的空间转录组学基础模型CellWorld，该模型将其预测目标从基因表达转移到潜在细胞表征。这种方法旨在通过避免直接重建特定于分析的技术变异来提高表征的可迁移性。该模型在一个大型人类细胞语料库上进行了预训练，实验表明性能随模型容量和生物多样性的增加而扩展，在各种基准测试中优于现有基线。
-
新型人工智能模型可从组织学图像预测基因表达
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。
-
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。
-
DriftST框架从组织学图像推断基因表达
研究人员开发了DriftST，一个用于从H&E染色组织学图像推断空间分辨基因表达的新型框架。该方法通过实现高效的一步生成并捕捉基因间依赖性和基因重要性差异，解决了现有方法的局限性。DriftST利用了细胞漂移生成模型和STransformer架构，在不同组织和分辨率下，对于斑点级和细胞级数据均展现出最先进的性能。
-
新的SN-VI框架增强了AI中的潜在变量建模
研究人员开发了结构化非参数变分推断（SN-VI），这是一个新的框架，使用多元样条技术对后验近似中的潜在变量之间的复杂依赖关系进行建模。这种方法超越了均场假设，以保留复杂的潜在变量关系，提供更灵活和准确的后验近似。SN-VI已被应用于计算机视觉和空间转录组学中的高维数据，展示了生成模型性能的提高以及发现耦合生物信号的能力。
-
新的增强方法改进了空间转录组学插补
研究人员开发了SNR-ST-Mix，一种使用深度神经网络的空间转录组学插补的新型数据增强框架。该方法通过确保混合样本保留局部生物结构和空间平滑性，解决了当前增强策略的局限性。实验表明，SNR-ST-Mix在不增加计算复杂度的情况下优于现有方法，从而提高了预测性能。
-
基础模型实现单细胞生物学跨模态迁移
研究人员开发了一种新颖的方法，用于在不同类型的单细胞生物学数据之间转移信息。通过在基础模型上使用对抗性微调，他们的方法可以将空间转录组学数据转换为单细胞RNA测序数据，即使在数据集不成对的情况下也能实现。该技术有望从scRNA-seq数据中恢复空间信息，并且优于现有的多组学翻译方法。
-
新方法将空间转录组学视为图像用于AI预训练
研究人员开发了一种新颖的方法，将空间转录组学数据表示为图像以进行大规模预训练。该方法将组织切片视为可裁剪的图像块，从而在保留空间上下文的同时显著增加了训练样本。实验表明，与现有的预训练方案相比，这种类似图像的数据集构建持续提高了下游性能。