Nuovo modello di IA prevede l'espressione genica da immagini tissutali

I ricercatori hanno introdotto un nuovo approccio computazionale per prevedere l'espressione genica spaziale da immagini istologiche di routine, affrontando l'alto costo e la limitata scalabilità della trascrittomica spaziale (ST). Il metodo, descritto in un preprint su arXiv (2608.14330), riformula la previsione dalla morfologia alla trascrittomica come un problema di generazione condizionale nello spazio dei programmi trascrizionali, piuttosto che prevedere singoli geni in modo indipendente. Utilizzando la fattorizzazione a matrice non negativa di consenso (cNMF), il modello estrae un insieme a bassa dimensionalità di programmi trascrizionali che catturano la variazione coordinata dell'espressione nei dati di addestramento, quindi addestra un modello di diffusione condizionale per generare questi programmi dalla morfologia tissutale. Questo approccio sfrutta pratiche consolidate di modellazione trascrittomica ed evita le eterogenee strategie di selezione genica che complicano confronti equi tra i metodi esistenti. Il lavoro mira a migliorare l'accuratezza e la generalizzabilità della previsione dell'espressione genica dall'istologia, consentendo potenzialmente applicazioni cliniche e di ricerca più ampie dove la ST non è pratica. Il preprint è stato annunciato come nuova sottomissione su arXiv, con identificativo 2608.14330.