Uma abordagem de aprendizado contrastivo para integrar transcriptômica espacial e imagens histológicas

O rápido crescimento da tecnologia de transcriptômica espacialmente resolvida fornece novas perspectivas sobre a arquitetura do tecido espacial. O aprendizado profundo tem sido amplamente aplicado para derivar representações úteis para a análise do transcriptoma espacial. No entanto, integrar efetivamente dados multi-modais espaciais continua desafiador. Aqui, apresentamos o ConGcR, um modelo baseado em aprendizado contrastivo para integrar expressão gênica, localização espacial e morfologia do tecido para representação de dados e identificação da arquitetura do tecido espacial. Convolução de grafo e ResNet foram utilizadas como codificadores para expressão gênica com localização espacial e entradas de imagem histológica, respectivamente. Além disso, melhoramos o ConGcR com um autoencoder de grafo como ConGaR para modelar melhor representações embutidas espacialmente. Validamos nossos modelos usando 16 cérebros humanos, quatro corações de frango, oito tumores mamários e 30 amostras de transcriptômica espacial do pulmão humano. Os resultados mostraram que nossos modelos geraram embeddings mais eficazes para obter arquiteturas teciduais mais próximas da verdade do que outros métodos. No geral, nossos modelos não só podem melhorar a precisão da identificação da arquitetura do tecido, mas também podem fornecer insights valiosos e uma representação de dados eficaz para outras tarefas em análises de transcriptoma espacial.