La transcriptomique spatiale est capable d'acquérir l'expression génique cellulaire tout en préservant la localisation spatiale. Elle est souvent accompagnée d'images de whole-slide histologiques colorées à l'hématoxyline et à l'éosine correspondantes. Cette préservation de l'information spatiale est cruciale pour l'étude de questions clés en biologie cellulaire, biologie du développement, neurobiologie et biologie tumorale. Cependant, les technologies de séquençage conventionnelles sont coûteuses et chronophages, limitant le développement de la recherche en transcriptomique spatiale. Récemment, des méthodes d'apprentissage profond ont été largement appliquées à la prédiction en transcriptomique spatiale, mais il existe certains problèmes dans les méthodes existantes. Pour remédier à cela, nous développons Reg2ST, un modèle d'apprentissage profond pour apprendre des motifs potentiels dans l'expression génique et les appliquer à la prédiction en transcriptomique spatiale. Reg2ST considère la transcriptomique spatiale et l'histologie comme différentes expressions des mêmes données. L'apprentissage contrastif est utilisé pour minimiser la distance entre elles. Ensuite, des caractéristiques d'image sont utilisées pour prédire des caractéristiques géniques, ce qui aligne les images histologiques avec la transcriptomique spatiale. Reg2ST utilise une nouvelle méthode pour capturer les relations entre les points au lieu des K-Nearest-Neighbors. Les évaluations du coefficient de corrélation de Pearson, des tests statistiques et de l'efficacité computationnelle en utilisant des ensembles de données sur le cancer du sein humain et le carcinome épidermoïde cutané démontrent la performance supérieure de Reg2ST pour la prédiction de l'expression génique spatiale.
Wang et al. (Wed,) ont étudié cette question.