根据组织学图像进行可扩展的上下文感知单细胞空间转录组学预测

从 H&E 染色的组织学图像中预测基因表达为昂贵的空间转录组学提供了一种可扩展的替代方案，但大多数现有方法在点水平上操作，来自多个细胞的信号被聚集并且关键的细胞异质性被掩盖。将这种范例扩展到单细胞分辨率并非易事。天真地应用病理学基础模型面临着尺度不匹配的问题：它们的斑块级表示混合了多个细胞，而每个细胞的裁剪或调整大小会扭曲形态并消除局部上下文。相反，没有强大的预训练视觉编码器的基于分割的模型通常缺乏准确分子预测所需的形态表示能力，并且继承了不完美的细胞边界掩模的错误。在这里，我们提出了 CELLO，这是一种高效的端到端框架，它对每个图像执行单个病理学基础模型前向传递，并使用网格采样同时提取所有细胞的特定位置特征。我们进一步引入了一个距离衰减交叉注意模块，该模块使用空间偏置的局部形态上下文来细化每个细胞表示。使用来自 HEST-1k 的 52 个公共 Xenium-H&E 对，跨越 12 个器官和大约 1000 万个细胞，CELLO 提高了评估基线的平均预测精度，同时与 DeepSpot2Cell 相比减少了平均整个幻灯片推理时间，平均加速了 14.0 倍（不包括上游细胞分割）。我们的工作为根据 H&E 图像预测单细胞基因表达奠定了可扩展的基础。