Enhancing Gene Expression Prediction from Histology Images with Spatial Transcriptomics Completion

空间转录组学是一种新颖的技术，它将组织学图像与空间定位的基因表达谱进行对齐。尽管具有开创性，但它在基因捕获方面存在问题，导致所获得的数据高度损坏。鉴于其潜在的应用，最近的研究努力集中于仅从组织学图像中预测转录组谱。然而，数据库、预处理技术和训练超参数的差异妨碍了方法之间的公平比较。为了解决这些挑战，我们提出了一个系统地筛选和处理的数据库，从26个公共来源收集，相比之前的工作增加了8.6倍。此外，我们提出了一种基于最先进的Transformer的补全技术，用于推断缺失的基因表达，这显著提高了所有数据集中转录组谱预测的性能。总的来说，我们的贡献构成了迄今为止最全面的从组织学图像预测基因表达的基准，并为未来的空间转录组学研究奠定了基础。

论文试图解决从组织学图像预测基因表达谱的问题，以及如何提高数据质量和算法性能。这是一个新问题，因为之前的方法存在基因捕获不足和不同数据库、预处理技术、训练超参数等差异问题。

论文提出了一个系统地收集和处理的数据库，包括26个公共数据源，是之前工作的8.6倍；并且提出了一种基于Transformer的补全技术，可以显著提高预测基因表达谱的性能。这些贡献构成了迄今为止最全面的从组织学图像预测基因表达谱的基准，并为未来的研究提供了一个基础。

论文的实验设计非常严谨，使用了大量的数据集，并且开源了代码。值得关注的是提出的基于Transformer的补全技术，可以有效解决基因捕获不足的问题，并且在所有数据集上都显著提高了预测性能。此外，论文提供的数据库是迄今为止最全面的，可以为未来的研究提供更好的基础。

最近在这个领域中，还有一些相关的研究，如“Spatially Informed Gene Expression Prediction from Histology Images”，“Deep Learning-Based Histology Transcriptomics Predicts Spatial Gene Expression Patterns”，“Spatially-Resolved Transcriptomics: Technical Advances and Emerging Insights”。