Ingen sekvensering kreves fra histologi til transkriptomikk! Et av vinnerlagene på Autoimmune Disease ML Crunch 2 i samarbeid med @Schmidt_Center bygget en pipeline som forutsier 2,000 immungenuttrykk direkte fra vevsbilder. La oss bryte det ned 🧵

Problemet Kan vi utlede genuttrykk fra vevsglass alene? Det er den typen signalkomprimering AI nå låser opp, og gjør fargede bilder til molekylær innsikt for autoimmun sykdom. Dette teamet bygde et av de mest elegante systemene i utfordringen.

Stabelen deres • Plaster hentet fra histologiobjektglass • Vision Transformer (ViT) for 1024-d innbygginger • Flerhodet oppmerksomhet for å forutsi 200 toppvariable gener • Variasjonskoder-dekoder som rekonstruerer alle 2,000 genuttrykk Trent på Crunchs normaliserte scRNA-seq-data.

Arkitekturen Bilde → Innebygging → Signal → profil Dette systemet kartlegger innganger til utganger ved å modellere den underliggende biologien. Hvert lag trekker ut en annen type informasjon: visuell, statistisk og biologisk. Det endelige resultatet er nøyaktig, tolkbart og forankret i strukturen til dataene.

Virkningen Denne typen system krymper kostnadene, akselererer diagnosen og bygger bro mellom bildebehandling og omics. spesielt verdifull ved sykdommer der immunaktiviteten gjemmer seg under overflaten. Et skritt fremover for beregningspatologi. Og for pasienter.

Teamet • Dr. Sukrit Gupta @YoSukrit • Amit Kumar • Maninder Kaur • Dr. Michele Ceccarelli @mceccarelli • Dr. Raghvendra kjøpesenter @MallRaghvendra Les hele artikkelen deres her: