论文
用于改善数据有限空间转录组中基因表达预测的中央到局部自适应生成扩散框架
Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics
摘要
空间转录组学 (ST) 提供完整组织结构内的空间解析基因表达谱，从而能够在组织学背景下进行分子分析。然而，ST实验的高成本、有限的吞吐量和有限的数据共享导致严重的数据稀缺，限制了鲁棒计算模型的发展。为了解决这一限制，我们提出了一种 ST (C2L-ST) 的中央到局部自适应生成扩散框架，它将大规模形态学先验与有限的分子指导相结合。首先在广泛的组织病理学数据集上对全局中心模型进行预训练，以学习可转移的形态学表示，然后使用少量配对的图像基因点通过轻量级基因条件调制来调整特定于机构的局部模型。该策略能够在数据有限的条件下合成真实且分子一致的组织学斑块。生成的图像表现出高视觉和结构保真度，再现细胞组成，并显示出与多个器官的真实数据的强烈嵌入重叠，反映了真实性和多样性。当纳入下游训练时，合成图像-基因对可提高基因表达预测的准确性和空间一致性，实现与真实数据相当的性能，同时仅需要一小部分采样点。 C2L-ST 为分子级数据增强提供了一个可扩展且数据高效的框架，为空间生物学及相关领域中的组织学和转录组学的整合提供了领域自适应且可推广的方法。