病理画像からの遺伝子発現推定のための細胞タイプのプロトタイプ情報を取り入れたニューラルネットワーク

要約: 病理画像からスライドレベルおよびパッチレベルの遺伝子発現プロファイルを推定することは、迅速で低コストの分子分析を可能にし、広範な臨床影響をもたらします。強力な結果にもかかわらず、既存のアプローチは遺伝子発現を単なるスライドレベルまたはスポットレベルの信号として扱い、測定された発現が基礎となる細胞レベルの発現の集約から生じるという事実を組み込んでいません。この欠落した細胞解像度の指針を明示的に導入するために、公開されている単一細胞RNAシーケンスデータセットを活用するCell-type Prototype-informed Neural Network (CPNN)を提案します。単一細胞の測定はノイズが多く、組織画像と対になっていないため、まず安定した遺伝子間共変動パターンを反映する細胞タイプのプロトタイプ平均発現プロファイルを推定します。CPNNは次に画像から直接細胞タイプの組成ウェイトを学習し、プロトタイプと観測されたバルクまたは空間発現との関係をモデル化し、生物学的に根拠づけられ、構造的に正則化された予測フレームワークを提供します。私たちは3つのスライドレベルデータセットと3つのパッチレベル空間トランスクリプトミクスデータセットでCPNNを評価します。すべての設定において、CPNNはスピアマン相関の観点で最高の性能を達成します。さらに、推定された組成ウェイトを可視化することにより、どの細胞タイプが予測発現を推進しているかについて解釈可能な洞察を提供します。コードは https://github.com/naivete5656/CPNN で公開されています。