Path2ST: Hierarchical Cell-Tissue Grounded Cross-Modal Translation for Spatial Transcriptomics
Path2ST 是一种创新的层级框架，它通过利用跨模态语义转换方法中的内在细胞-组织生物层级，提升了从 H&E 染色图像预测空间基因表达的能力，在生成准确且具有空间相干性的转录组图谱方面达到了最先进的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在人类生物学研究领域，科学家们长期以来面临着一个艰难的选择：是观察组织的形态，还是读取其化学指令。几十年来，在显微镜下观察组织样本的标准方法一直是使用粉红色和紫色的染料对其进行染色，从而绘制出其物理结构的详细图谱。这种方法成本低廉、速度快，且每天都在医院中使用，但它仅展示了身体的构建模块，而非它们正在发送的活跃化学信息。为了读取这些信息，研究人员必须求助于一种被称为空间转录组学的新技术。这项技术可以测量特定位置内哪些基因处于活跃状态，从而揭示体内正在发生的分子对话。然而，这一强大的工具价格昂昂贵，需要专门的设备，且对于常规医疗用途而言过于缓慢。科学家面临的核心挑战在于，如何仅利用病理学家已经拍摄的那些简单的、色彩丰富的图像，来预测这些复杂的分子图谱。
一个研究小组开发了一种新方法，他们不将这个问题视为简单的翻译，而是一个理解深层生物学层面的过程。他们创建了一个名为 Path2ST 的系统，该系统学习从标准显微镜图像中生成详细的基因活性图谱。他们工作的核心理念是，组织样本不仅仅是细胞的随机集合，而是一个结构化的环境，其中细胞的类型及其邻居决定了哪些基因被开启。以往试图解决这一问题的尝试通常将显微镜图像视为一张通用的图片，只寻找模式而不理解细胞在其中的特定生物学角色。这种新方法拒绝了这种宽泛的观点，而是主张，为了准确预测基因活性，计算机必须首先理解特定的细胞类型组合以及它们周围的组织环境，就像理解一个句子需要了解单词的含义以及连接它们的语法一样。
研究人员通过教导系统识别组织内的生命层级来构建其系统。首先，系统分析显微镜图像以识别单个细胞，并将它们分类，例如免疫细胞、癌细胞或健康组织细胞。随后，它计算特定区域内每种细胞类型的比例。这些信息与组织结构的更广泛视图相结合，以创建一个丰富的生物学背景。该系统并非直接从像素颜色中猜测基因活性，而是利用这种生物学背景作为引导。接着，它通过一个循序渐进的过程生成基因活性图谱，从组织的整体状态概览开始，逐渐细化细节，以预测单个基因的活性。这种方法确保了最终的预测与组织的生物学现实保持一致，防止了当模型在没有引导的情况下试图同时预测数千个复杂数值时所产生的错误。
为了确保预测结果不仅在数学上接近，而且在生物学上真实，该团队设计了一种特殊的训练方法，通过三种不同的方式检查结果。系统测试了其匹配基因分子精确数量的能力、重现自然界中基因行为统计模式的能力，以及保持基因活性与所存在细胞类型一致的能力。在对人类前列腺癌、人类乳腺癌和健康小鼠大脑的真实组织样本进行测试时，该系统表现优于所有现有方法。它生成的基因图谱比以往任何尝试都更准确，且与实际组织结构更一致。在针对前列腺癌组织的一组测试中，该新系统在预测最重要的基因方面，比之前的最佳工具有了显著的准确度提升，同时也降低了预测的平均误差。
这项工作的价值在于其能够通过常规医疗工具使先进的分子生物学变得触手可及。通过成功地将标准的显微镜图像转化为详细的基因活性图谱，研究人员表明，无需昂贵且耗时的实验室测试，也可以推断出复杂的分子信息。该系统证明了它可以正确识别特定癌症相关基因最活跃的位置，并将这些预测与组织中发现的实际癌细胞集群相匹配。这表明，在未来，医生或许能够从他们已经拍摄的标准图像中获得深层的分子洞察，从而潜在地使先进的诊断变得更快、更经济。研究人员已向他人开放了他们的代码，允许科学界在这一连接人体可见结构与其不可见化学语言的方法之上进行进一步的发展。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。