通过多尺度图神经网络从 WSIs 预测整体、空间和单细胞转录组

arXiv:2610.41692v1 公告类型：新投稿 摘要：理解基因表达的空间分布是研究癌症等复杂疾病的关键。尽管空间转录组学（ST）和单细胞转录组学（scT）能够提供高分辨率的洞见，但其成本仍然高昂，数据也较为稀缺。相比之下，与整体 RNA 测序配对的标准组织病理学全切片图像（WSIs）则广泛可得。本研究提出了一种多尺度图神经网络（GNN），能够直接从 WSIs 同时预测整体、空间和单细胞转录组。该模型使用病理学基础模型（PFM）UNI2-h 提取形态学特征，并在图像块和细胞两个层级构建空间图，从而学习组织内部的层级关系。该网络在由 The Cancer Genome Atlas Program（TCGA）、Visium 和 Xenium 样本组成的联合数据集上进行训练，涵盖肺、肾和乳腺组织。研究采用混合训练策略，将直接监督与弱监督一致性损失相结合，以确保不同生物学尺度上的预测保持一致。结果表明，该模型能够在全切片层级准确预测基因表达，在图像块层级达到中等预测水平（在 Xenium 上表现最佳），并在具有挑战性的单细胞层级达到中等相关性。此外，下游任务探索了这些预测的临床相关性，展示了其在生存分析、空间风险制图以及基于分子特征的肿瘤分类中的实用价值。