Keine Sequenzierung erforderlich von der Histologie zur Transkriptomik! Eines der Gewinnerteams beim Autoimmune Disease ML Crunch 2 in Partnerschaft mit @Schmidt_Center hat eine Pipeline entwickelt, die 2.000 Immun-Genexpressionen direkt aus Gewebeabbildungen vorhersagt. Lass es uns aufschlüsseln 🧵

Das Problem Können wir die Genexpression nur aus Gewebeschnitten ableiten? Das ist die Art von Signalverdichtung, die KI jetzt freisetzt und gefärbte Bilder in molekulare Einblicke für Autoimmunerkrankungen verwandelt. Dieses Team hat eines der elegantesten Systeme in der Herausforderung entwickelt.

Ihr Stack • Patches, die aus Histologieschnitten extrahiert wurden • Vision Transformer (ViT) für 1024-d Einbettungen • Multi-Head-Attention zur Vorhersage von 200 variablen Genen • Variationaler Encoder-Decoder, der alle 2.000 Genexpressionen rekonstruiert Trainiert auf Crunchs normalisierten scRNA-seq-Daten.

Die Architektur Bild → Einbettung → Signal → Profil Dieses System ordnet Eingaben Ausgaben zu, indem es die zugrunde liegende Biologie modelliert. Jede Schicht extrahiert eine andere Art von Informationen: visuell, statistisch und biologisch. Das Endergebnis ist genau, interpretierbar und in der Struktur der Daten verankert.

Die Auswirkungen Diese Art von System senkt die Kosten, beschleunigt die Diagnose und verbindet Bildgebung mit Omics. Besonders wertvoll bei Krankheiten, bei denen die Immunaktivität unter der Oberfläche verborgen ist. Ein Schritt nach vorne für die computergestützte Pathologie. Und für die Patienten.

Das Team • Dr. Sukrit Gupta @YoSukrit • Amit Kumar • Maninder Kaur • Dr. Michele Ceccarelli @mceccarelli • Dr. Raghvendra Mall @MallRaghvendra Lesen Sie ihren vollständigen Artikel hier: