GenVinci把常规H&E切片读成分子图谱:人类皮肤连续切片重建出三维虚拟转录组
核心概要
空间转录组能保留分子与位置信息,但成本高、平台间差异大,且大多只覆盖二维切片;常规H&E染色切片易得却缺少直接的分子读数。GenVinci以约3亿细胞与空间谱的图文语料ImageOmicsNet-300M预训练,把细胞当作组织场景的组成部分来学习表征,再对齐病理基础模型的图像特征,从H&E预测空间基因表达。在留出的五种癌症数据集上,它无需针对数据集重训即取得高于逐数据集重训基线的平均基因表达相关性,并据此重建了人类皮肤连续切片的三维虚拟转录组。
深度剖析
常规H&E切片现在可以被转换成带空间位置的基因表达读数,并进一步拼成三维组织场景,而不只停留在单张二维切片的形态描述。 此前的组织学—转录组预测方法通常在相对小的数据集上训练,难以推广到开发时未覆盖的组织或疾病条件;空间转录组本身则成本高、跨平台异质,且大多局限于二维切片。 在覆盖五种癌症类型、两个实验平台的留出空间转录组数据上,GenVinci-2DST只训练一次便零样本评估,前50个高变基因、前50个高表达基因和全部基因的平均皮尔逊相关系数分别为0.45、0.42和0.33,而逐数据集重训的最强基线HEST对应为0.35、0.33和0.22。
模型把细胞放进组织场景里学习,而不是把每个细胞当成彼此独立的转录实体。 已有的单细胞与空间基础模型多在解离的单细胞数据上训练,缺少显式的空间或形态学约束,因而可迁移的生物学情境有限。 预训练语料ImageOmicsNet-300M包含300.2百万条转录组谱与4,623张H&E切片,覆盖两个物种、82种组织、55种转录组技术;编码器直接纳入模态、检测方法、物种和组织四类上下文,并以掩蔽基因预测、掩蔽表达预测和基因表达重建三个目标联合优化。
从H&E预测出的表达被用来重建人类皮肤的三维虚拟转录组,并据此定位疾病遗传风险富集的细胞类型。 单张二维切片会把连续的多细胞生态位切成许多互不相连的碎片,也分辨不清区室之间的界面。 在9名女性供者、20至71岁、605张通过质控的连续切片上,表皮相关生态位在三维中最大连通分量包含86.9%(23岁供者)和75.1%(71岁供者)的细胞,而同样细胞在单张切片内被分成26至67个不连通分量;与相邻STARmap切片比较,细胞类型组成的平均皮尔逊相关系数为0.79。
启示与展望
已展示的范围是:在留出的五种癌症空间转录组数据上做零样本基因表达预测,在小鼠舌与肾的同片STARmap上做验证,以及在9名女性供者腹部皮肤连续切片上重建三维虚拟转录组并与相邻STARmap切片比较;作者指出这些虚拟转录组是预测值,在接近细胞尺度上精度有限,对稀疏免疫细胞和低表达基因更弱,并受切片染色差异影响。
作者列出的限定包括:ImageOmicsNet-300M 反映现有数据在组织、物种、疾病与技术上的偏倚;GenVinci 预训练时不编码空间坐标,三维重建来自配准与逐片预测;在训练数据不匹配的条件下未做消融,因而转录组监督、空间细化模块与生物上下文嵌入各自的贡献未被分离,相对基线的提升可能部分来自病理基础模型特征和更大的训练语料;衰老映射依赖以 p21 检测为主的弱监督和一个操作性阈值,可能混入静息、分化或应激程序,需要蛋白或 SA-β-gal 层面的正交验证;皮肤细胞类型由基于参考的标签转移确定,依赖参考数据;衰老分析每个年龄组每个器官仅一只动物,人类皮肤为来自同一避光部位的女性供者,年龄趋势属探索性;遗传定位以两个阴性对照性状的相对富集为准,绝对显著性未在稠密输入上校准,验证用的是两名供者的四张相邻而非相同切片,且未从 H&E 恢复免疫轴。
