Xenium
PulseAugur coverage of Xenium — every cluster mentioning Xenium across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MARC框架改进了空间转录组学中的细胞分割
研究人员开发了MARC，一种用于亚细胞空间转录组学中细胞分割的新型框架。该方法通过学习多种分割技术来预测共识支持图，从而绕过了计算密集型多方法推理的需要。在Xenium肾脏组织数据上，MARC实现了0.90的平均Dice分数和0.82的平均交并比，证明了其识别弱支持区域和标记低共识细胞以供审查的能力。
-
新基准CellPath-Bench评估病理学基础模型
研究人员推出了CellPath-Bench，这是一个旨在系统评估病理学基础模型（PFMs）细胞表征能力的新基准。该基准评估这些模型在解码细胞类型信息以及在不同组织切片、数据集和器官之间迁移知识方面的能力。通过在大量空间对齐的H&E和Xenium组织切片数据集上分析30种不同的基础模型，CellPath-Bench揭示了细胞类型可解码性和泛化能力方面显著的模型依赖性差异，为审计PFMs提供了一个标准化框架。
-
CytoFormer：组织病理学中的分子监督细胞基础模型
研究人员开发了CytoFormer，一种用于对组织病理学图像中的细胞进行分类的新型基础模型。与以往依赖病理学家手动注释的方法不同，CytoFormer利用空间转录组学与H&E染色相结合的分子数据来监督细胞形态。该方法在16个器官的1540万个细胞上进行了训练，达到了高精度，并在迁移到新数据集和主动学习场景中表现出卓越的性能，为常规组织学的细胞级分析提供了一种更有效、更具可扩展性的方法。
-
新的VOICE模型可从组织图像预测基因表达
研究人员开发了VOICE，一个整合了视觉和组学数据的新型基础模型，可从H&E染色组织图像预测单细胞基因表达。该模型将细胞形态与基因表达嵌入对齐，利用了直接回归和基于检索的预测分支。VOICE展示了强大的泛化能力，在跨越未见过患者和切片的七项指标上均优于先前的方法。
-
CellDETR框架推动组织病理学图像中的细胞表征学习
研究人员开发了CellDETR，一个用于从组织病理学图像中进行可扩展细胞表征学习的新型框架。CellDETR基于Deformable DETR，利用位置特征解耦和盒约束注意力来提取细胞级嵌入。该方法在有监督细胞分类任务中表现出优越的性能，并且与对比学习相结合时，可以改进在未标记数据上的下游分类。此外，当使用从Xenium空间转录组学派生的细胞注释进行预训练时，CellDETR显示出强大的可迁移性和生物学相关性。