多尺度图网络以UNI2-h形态表征预测多层级转录组

了解基因表达的空间分布是研究癌症等复杂疾病的关键。虽然空间转录组学 (ST) 和单细胞转录组学 (scT) 提供了高分辨率的见解，但它们仍然昂贵且稀缺。相比之下，标准组织病理学全切片图像 (WSI) 与整体组织 RNA 测序相结合已广泛使用。这项工作引入了一种多尺度图神经网络 (GNN)，能够直接从 WSI 同时预测整体组织、空间和单细胞转录组学。通过使用病理学基础模型 (PFM) (UNI2-h) 提取形态特征并在图像块和细胞级别构建空间图，该模型可以学习组织内的层次关系。该网络接受了癌症基因组图谱计划 (TCGA)、Visium 和 Xenium 肺、肾和乳腺组织样本的组合数据集的训练。采用混合训练策略，利用直接监督和弱监督一致性损失来确保跨生物尺度的预测一致。结果表明，该模型在全切片层面能够准确预测基因表达，在图像块层面表现中等（其中 Xenium 上最强），并在具有挑战性的单细胞层面实现中等相关性。此外，下游任务探索这些预测的临床相关性，证明它们在生存分析、空间风险制图和通过分子特征进行肿瘤分类中的实用性。