HisDiff:基于组织学图像的空间基因表达预测的层次化扩散建模

《Pattern Recognition》:HisDiff: Hierarchical Diffusion Modeling for Spatial Gene Expression Prediction from Histology Images

【字体: 大 中 小 】 时间:2026年09月22日 来源:Pattern Recognition 9.1

编辑推荐:

   HisDiff从常规组织学图像预测空间基因表达。层次特征捕获了斑点、邻域和组织水平的上下文信息。条件扩散模型能够建模异质基因表达分布。HisDiff在四个空间转录组数据集上优于六种竞争方法。预测谱保留了空间模式和基因共表达信号。 ## 引言 高通量测序技术的出现改变了转录

  HisDiff从常规组织学图像预测空间基因表达。层次特征捕获了斑点、邻域和组织水平的上下文信息。条件扩散模型能够建模异质基因表达分布。HisDiff在四个空间转录组数据集上优于六种竞争方法。预测谱保留了空间模式和基因共表达信号。## 引言高通量测序技术的出现改变了转录组学,为基因表达的复杂性提供了前所未有的洞察[1]。在这些进展中,单细胞RNA测序(scRNA-seq)在解析细胞异质性方面发挥了关键作用。然而,scRNA-seq并不能保留理解组织结构、细胞相互作用和功能状态所需的原生空间上下文[2]。空间转录组学通过将基因表达与组织结构联系起来解决了这一局限性[3]。基于扩散的表示学习最近也被探索用于空间转录组聚类[4]。成像、条形码和测序技术的进步推动了空间转录组(ST)技术的快速发展[5]。与单核RNA测序的整合可以进一步扩展具有空间信息的转录组分析[6]。与此同时,多分辨率自监督学习改善了从病理学图像进行的表示学习[7]。图表示学习也扩展了空间基因表达的计算分析[8]。通过保留空间信息,空间转录组在细胞分辨率与复杂组织中的空间组织之间架起了桥梁[9]。然而,空间转录组技术相对较高的成本限制了其广泛应用和大规模采用[5]。因此,研究人员越来越多地转向常规可用的苏木精和伊红(H&E)染色病理学图像。这些图像提供了丰富的形态学信息,反映了组织结构和细胞组织[10]。在计算多模态分析中的使用也支持了可扩展且具有成本效益的临床建模[11]。已经开发了多种计算方法来连接组织学和转录组学。ST-Net将此任务形式化为使用卷积神经网络进行直接回归[12]。Hist2ST随后结合了Transformer与基于图的建模来捕获空间依赖性[13]。HisToGene使用Transformer建模组织斑点之间的长程相互作用[14]。THItoGene纳入了动态卷积和图注意力机制来建模局部和全局关系[15]。最近,BLEEP通过对比学习对齐了组织学和转录组表示[16]。mclSTExp同样采用跨模态对比学习进行表达预测[17]。Stem将此领域引入了条件扩散模型,但主要依赖于图像块级特征[18]。总体而言,这些研究为基于组织学的空间基因表达预测奠定了坚实基础,展示了深度学习连接成像模态与转录组模态的潜力。然而,尽管取得了进展,现有方法仍存在若干固有局限性,限制了其生物学可解释性和泛化能力。斑点级图像块通常被用作病理学表示学习的基本单元[19]。近期研究也强调了将病理学表示与更广泛的空间转录组信息连接起来的价值[20]。然而,将斑点独立处理的模型可能会忽视与基因表达模式相关的组织层级结构、邻域上下文和全局形态。此外,大多数先前研究将预测任务形式化为确定性回归,学习从组织学图像到表达值的直接映射[21]。尽管这种形式化方式简单,但由于细胞状态多样性、微环境影响和基因表达的随机性,单一的组织学表观可能对应于不同的分子谱。因此,确定性回归可能会平均化异质性转录状态,从而产生过度平滑的预测。为了解决这些挑战,我们开发了HisDiff,一个基于扩散的框架,旨在以高效、经济有效且稳健的方式从多尺度全切片病理学图像中预测空间基因表达谱。HisDiff首先使用预训练的基础模型UNI在多个空间尺度上提取特征[22]。然后这些特征通过交叉注意力机制进行融合,形成扩散模型的条件输入。我们在四个基准数据集上评估了HisDiff,并将其性能与六种最先进的方法进行了比较。实验结果表明,HisDiff准确重建了空间基因表达图谱,同时有效地保留了基因表达固有的空间组织性。此外,HisDiff恢复了与测量表达所获得的信号一致的、具有生物学意义的通路信号。本研究的主要贡献总结如下:- 我们提出了HisDiff,一个生成式框架,通过建模基因表达的完整条件分布,克服了确定性回归的过度平滑局限性。- 我们引入了一个层次特征提取模块,利用病理学基础模型整合多尺度视觉上下文,从局部斑点到全局组织结构。- 全面实验证明HisDiff在预测准确性方面优于现有基线方法,并在定量上保留了测量表达中存在的复杂基因共表达模式和功能通路信号。## 章节摘要### 相关工作最近的组织学引导的空间基因表达预测方法可分为三大类:确定性Transformer/基于图的预测、基于对比学习的预测和生成式预测。我们关注从组织学图像推断表达的方法,并区分在定量实验中使用的六种基线方法与为方法学背景讨论的其他近期方法。**基于Transformer和图的预测。** ST-Net建立了逐块...### HisDiff框架概述我们提出了HisDiff,一个基于条件扩散的生成式框架,用于从H&E染色的组织学图像预测空间基因表达。为处理空间转录组数据的异质性,HisDiff将扩散模型的生成能力与显式的多尺度上下文信息相结合。为捕获多个分辨率级别的空间上下文,我们设计了一个三层特征提取模块。它为宏观组织结构提取全局切片级特征,一个...### 数据集与预处理我们在四个包含配对H&E图像和空间表达测量的公共数据集上评估了HisDiff。Her2ST代表具有空间表征的乳腺癌组织[31]。cSCC数据集代表皮肤鳞状细胞癌[32]。PRAD包含来自前列腺癌组织的空间测量数据[33]。DLPFC代表使用10x Visium技术测量的非癌人类背外侧前额叶皮层组织[34]。这些数据集涵盖了空间转录组学和10x Visium平台,四种...### 结论在本研究中,我们提出了HisDiff,一个以组织学为条件的生成式框架,用于从常规可用的H&E染色图像预测空间基因表达。HisDiff的主要优势在于其在条件扩散模型中整合了斑点特异性形态、局部邻域上下文和全局组织结构。这种设计使模型能够在多个空间尺度上表示组织结构,同时避免了其他方法所使用的限制性点估计形式化。### CRediT作者贡献声明**刘小飞:** 撰写——审稿与编辑、监督、方法学。**王怡:** 撰写——审稿与编辑、撰写——原稿、软件、方法学、研究、数据整理。**孟雯雯:** 撰写——审稿与编辑、撰写——原稿、验证、监督、资源、项目管理、方法学、资金获取、数据整理、概念化。### 利益冲突声明作者声明,他们没有已知的可能影响本论文所报告工作的竞争性财务利益或个人关系。### 致谢这项工作部分得到了国家自然科学基金(62262069)的支持。刘小飞 | 王怡 | 孟雯雯
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号