Accurate Spatial Gene Expression Prediction by integrating Multi-resolution features

最近空间转录组学（ST）技术的进展促进了对组织背景下基因表达的详细分析。然而，ST的高成本和方法上的限制需要一个更强大的预测模型。因此，本文介绍了TRIPLEX，一种新型深度学习框架，旨在从整个切片图像（WSIs）中预测空间基因表达。TRIPLEX独特地利用多分辨率特征，捕捉单个点的细胞形态、周围局部上下文和全局组织结构。通过通过有效的融合策略将这些特征整合起来，TRIPLEX实现了准确的基因表达预测。我们在三个公共ST数据集上进行了全面的基准测试，并补充了来自10X Genomics的Visium数据，结果表明TRIPLEX在均方误差（MSE）、平均绝对误差（MAE）和皮尔逊相关系数（PCC）方面优于当前最先进的模型。模型的预测与基因表达谱和肿瘤注释密切相关，突显了TRIPLEX在推进癌症诊断和治疗方面的潜力。

本文旨在解决空间转录组学技术的高成本和方法限制问题，提出了一种新的深度学习框架TRIPLEX，用于从WSI中预测空间基因表达。

TRIPLEX通过多分辨率特征捕捉细胞形态学、周围环境和全局组织结构，通过有效的融合策略将这些特征集成起来，实现了准确的基因表达预测。

本文在三个公共ST数据集上进行了全面的基准测试，并补充了来自10X Genomics的Visium数据。实验结果表明，TRIPLEX在均方误差（MSE）、平均绝对误差（MAE）和皮尔逊相关系数（PCC）方面优于当前最先进的模型。模型的预测与实际基因表达谱和肿瘤注释密切相关，突显了TRIPLEX在推进癌症诊断和治疗方面的潜力。

最近相关研究包括： 1. SpatialDE: identification of spatially variable genes 2. Spatially Informed Gene Expression (SIGE) analysis for spatially resolved transcriptomics 3. Spatially resolved transcriptomics and beyond