Spatially Resolved Gene Expression Prediction from Histology via Multi-view Graph Contrastive Learning with HSIC-bottleneck Regularization

空间转录组学（ST）的快速发展使得基因表达测量具备了空间分辨率，从而使得同时记录基因表达、空间点位和匹配的组织病理学图像成为可能。然而，ST数据的采集成本远高于组织病理学图像的获取，因此一些研究试图通过利用相应的组织病理学图像来预测ST上的基因表达。大多数现有的基于图像的基因预测模型将每个ST数据点上的预测任务视为独立的，忽略了点之间的空间依赖性。此外，虽然组织学图像与ST数据共享表型特征，但提取这些共同信息以帮助对齐成对的图像和表达表示仍然是一个挑战。为了解决上述问题，我们提出了一种多视图图形对比学习框架，结合HSIC瓶颈正则化（ST-GCHB），旨在学习共享表示，以考虑它们的空间依赖性，从而帮助填补查询成像点的基因表达值。

本文旨在解决空间转录组学(ST)数据的基因表达预测问题，尤其是考虑到空间位置之间的依赖性和与组织学图像之间的联系。

本文提出了一种多视角图形对比学习框架，结合HSIC瓶颈正则化，以学习共享表示来帮助填补查询图像点的基因表达。

本文的实验使用了多个数据集，并且开源了代码。该方法在预测基因表达方面表现出色，并且考虑到了空间位置之间的依赖性和与组织学图像之间的联系。

与该论文相关的研究包括：1. SpatialDE；2. SpatialNet；3. SpaGCN。