化学、生物与自动化实验室
突破级
暂无讲解视频
收录解读
这篇 Nature Computational Science 论文提出 HESpotEx，用全切片 H&E 病理图像预测 spatial transcriptomics 的 spot-level gene expression。它面向的是 ST 成本高、难以规模化的问题。
系统结合 graph attention autoencoder、image encoder 和 graph convolution decoder，可从 WSI 预测多达 5,457 个基因在空间采样点上的表达，并在多种癌症和非癌样本、TCGA 大规模 WSI 与高分辨率 ST 数据上验证。
它值得正式收录，因为它把病理图像转成空间分子表型的可复用深度学习工作流，直接改变数字病理、空间组学和精准肿瘤分析的实验/计算链条。
它没有更高，是因为仍属于特定生物医学模态的强方法；跨中心、跨染色、临床实时决策和湿实验闭环价值还需要更多外部验证。