机构名称：
¥ 1.0
空间转录组学（ST）代表了生物医学研究中的关键发展，从而使细胞在形态学环境中的转录分析，并提供了一个关键的工具，以理解癌症组织中空间异质性。然而，类似于单细胞分析的当前分析方法在很大程度上取决于基因表达，使组织中固有的丰富形态学信息不足。我们提出了一种整合空间转录组学和组织病理学图像数据，以更好地捕获患者数据中的生物学意义模式，重点是攻击性癌症类型，例如胶质母细胞瘤和三阴性乳腺癌。我们使用基于重新安装的深度学习模型来从高分辨率的全斜面组织学图像中提取关键的形态特征。在Louvain聚类中使用了RESNET-50分析和空间基因表达数据的RESNET-50分析的点级降低PCA降低的向量，以启用图像感知特征特征发现。对图像感知聚类的特征的评估成功地确定了由手动组织病理学确定的关键生物学特征，例如纤维化和坏死区域，以及在富含EGFR的区域中的改进的边缘定义。重要的是，我们的组合方法揭示了在组织病理学中看到的至关重要的特征，仅基因表达的分析却错过了。
通过整合图像感知的深度学习方法来增强空间转录组学分析
主要关键词
相关文件推荐
