Visium Asset Management
PulseAugur coverage of Visium Asset Management — every cluster mentioning Visium Asset Management across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的GNN可以跨尺度预测病理图像的基因表达
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。
-
LapDDPM模型通过鲁棒的流形学习增强单细胞数据生成
研究人员开发了LapDDPM，一种新的条件图扩散概率模型，旨在生成高保真度的合成单细胞RNA测序数据。该模型集成了基于图的归纳偏置和基于分数的生成模型，并包含一种新颖的谱对抗扰动机制。该机制充当分布鲁棒优化框架，增强了对细胞数据中技术噪声和结构变异的鲁棒性。LapDDPM还已扩展到处理空间转录组学和多模态数据，在各种数据集的分布匹配和流形保持方面表现优于现有方法。
-
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LATTICE框架整合多模态空间组学数据
研究人员开发了LATTICE，一个新颖的基于图的自监督学习框架，旨在整合多模态空间组学数据。该框架协调转录组学和表观基因组学信息，为单个组织斑块创建统一的表示。LATTICE利用TransformerConv编码器，通过掩码重构和跨模态对齐等目标，在黑色素瘤队列上展示了稳定的优化和可复现的嵌入。多组学模态的整合显著提高了与现有聚类方法和空间连续性的吻合度，尽管它也捕捉到了超越简单转录组学相似性的调控结构。