spatial transcriptomics
PulseAugur coverage of spatial transcriptomics — every cluster mentioning spatial transcriptomics across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
新的AI模型整合空间组学数据以获得生物学见解
研究人员开发了HEIST，一种用于分析空间转录组学和蛋白质组学数据的分层图Transformer模型。该模型将组织表示为分层图，同时捕获空间细胞关系和内部基因表达网络。HEIST在来自不同器官的大量细胞数据集上进行了预训练，证明了其对新数据类型的泛化能力，并在临床结果预测和细胞类型注释等任务中取得了最先进的性能。另一项研究介绍了STAMP，一个利用空间转录组学指导病理学基础模型，通过将转录组学数据对齐到功能通路来增强其从组织学图像推断…
-
新的RankByGene方法将基因表达与组织病理学图像对齐
研究人员开发了一个名为RankByGene的新框架，以改善空间转录组学（ST）数据与组织病理学图像之间的对齐。该方法使用一种新颖的基于排序的对齐损失来保留跨模态的相对相似性，解决了空间畸变和模态特异性变异等挑战。该框架还结合了具有教师-学生网络的自监督知识蒸馏，以提高对齐稳定性，尤其是在处理嘈杂的基因表达数据时。在七个数据集上的实验表明，RankByGene在对齐和预测任务（包括基因表达预测、切片级分类和生存分析）方面优于现有方法。
-
新的GEARS框架重建单细胞RNA测序的空间数据
研究人员开发了GEARS，一个新颖的、面向几何的框架，用于重建单细胞RNA测序（scRNA-seq）数据的空间信息。与依赖固定网格或细胞到斑点分配的先前方法不同，GEARS直接从ST数据中学习内在空间几何，而无需细胞类型标签或组织图像。该框架利用域不变表达编码器和具有基于扩散的精炼的置换等变生成器来生成局部空间几何。通过聚合多个细胞子集的预测并解决全局距离-几何问题，GEARS重建了标准的2D坐标和密集的距离矩阵，在距离保持和邻域保真…
-
QueST方法识别空间转录组数据中的细胞生态位
研究人员开发了QueST，一种新颖的计算方法，旨在识别不同空间转录组样本中相似的细胞生态位。该方法将生态位建模为子图，并利用对比学习和对抗性训练来学习区分性嵌入并减轻批次效应。与现有工具相比，QueST在模拟和基准数据集上表现出优越的性能，在捕获生态位结构和跨测序平台的泛化能力方面显示出准确性。
-
新的基准SpaPath-Bench评估病理AI模型的空间理解能力
研究人员推出SpaPath-Bench，一个旨在评估病理基础模型（PFM）空间表征能力的新基准。该基准通过在配对的全切片图像和空间转录组数据上进行空间域识别，评估PFM嵌入区分组织区域和理解空间关系的能力。SpaPath-Bench包含42个公共数据集，经过超过83,000次评估运行，揭示了不同的预训练方法捕捉了组织空间结构的独特方面，为未来的模型开发提供了指导。
-
HEXST Transformer 从组织学图像预测空间基因表达
研究人员开发了HEXST，一种新颖的Transformer模型，旨在从组织学图像预测基因表达。该模型通过考虑空间转录组学平台中常见的六边形采样模式并采用对比敏感目标来保留空间异质性，从而解决了现有方法的局限性。与当前最先进的方法相比，HEXST在多个数据集上均表现出优越的性能。