摘要
空间转录组学将基因表达与组织形态联系起来，但其成本过高，不适用于常规临床应用，因此人们尝试从苏木精-伊红（H&E）图像中预测基因表达。FViT（基于Foundation模型的Token化视觉Transformer）通过Frozen Foundation模型Phikon对目标区域及其k个最近邻进行标记，然后将这些标记与一个具有相对位置嵌入的小型可训练Transformer结合，直接预测基因表达或通过k最近邻方法检索训练数据中的表达结果，并结合三种不同的邻域范围（k = 8、16、24）构建加权集成模型。我们在两个公开数据集上评估了FViT的效果：HER2阳性的乳腺癌（Her2ST，8名患者）和皮肤鳞状细胞癌（cSCC，4名患者）。验证过程中采用“留一法”（leave-one-patient-out），即在未纳入评估患者的情况下选择基因组、检索参数和集成模型权重。结果显示，在表达水平最高的50个基因（HEGs）上，FViT的Pearson相关性分别为0.180（Her2ST）和0.213（cSCC）；而在所有1000个基因中，这一相关性仅为0.067（Her2ST）和0.059（cSCC）。对比实验表明，引入相对位置信息的邻域融合方法使直接预测的基因表达水平提高了0.038（Her2ST）和0.045（cSCC）（相对于仅使用中心信息的模型）；检索过程使预测结果在Her2ST数据集中变化了0.002至0.004，在cSCC数据集中变化了0.007至0.010；而多尺度集成模型与仅使用单一邻域大小的模型相比，其差异为-0.003至+0.008。在使用相同的折叠方法和基因组的情况下，发布的mclSTExp模型（采用单种子策略）的预测相关性分别为0.141和0.177。在组织切片层面进行分析时，99%的预测权重来自同一患者体内的其他组织切片；当这些切片被屏蔽后，集成模型的预测增益从+0.013降至-0.002。已发表的研究采用组织切片层面的分析方法和其他基因组，因此结果不具备直接可比性。由于样本量分别为8名和4名患者，目前的发现仍处于探索性阶段。
