从组织学到空间转录组学：建立一种轻量级的单斑块基线方法

《BMC Bioinformatics》：From histology to spatial transcriptomics: establishing a lightweight single-patch baseline

　　

摘要

从苏木精和伊红（H&E）染色的组织学图像中预测空间基因表达是计算病理学领域的一个核心挑战。尽管许多模型利用整个切片图像的空间上下文来提高性能，但仅从单个孤立组织块中获得的预测能力尚未得到探索。没有这一基本基准，就很难公平地衡量结合空间上下文的边际效益。在这项研究中，我们建立了一个轻量级、高效且可复制的单块基因表达预测基准，为未来的研究提供了标准化的基础。我们使用固定数据分割和种子，在一个精心策划的人类肝脏Visium数据集上训练了各种基于卷积的预训练架构，如EfficientNet、ResNet和DenseNet。为了评估跨组织的泛化能力，我们还在一个独立的乳腺癌空间转录组数据集上验证了所提出的基准。通过全面微调和保持形态的增强处理，EfficientNet-B0在肝脏组织中对高表达基因的最大皮尔逊相关系数（PCC）达到了0.310，超过了之前的单块方法。此外，该模型仅使用530万个参数就预测出了50个PCC≥0.30的基因——比基于ResNet-50的基准多预测了250个基因，尽管其参数数量少了5倍——这表明在这种单块设置中存在有利的性能-效率权衡。在独立的乳腺癌数据集上，EfficientNet-B0在单供体和多供体评估中始终在所有基因集上实现了最佳或接近最佳的性能，显示出跨组织类型的稳定泛化能力。后续的生物学分析表明，模型的预测准确性主要受H&E组织学中空间组织结构的强度驱动，这是通过Moran’s I空间自相关来衡量的，而不是转录本丰度或化学性质。因此，这项工作为量化空间上下文、多分辨率整合和架构复杂性在未来的空间转录组模型中的贡献提供了参考。