Aucune séquençage requis de l'histologie à la transcriptomique ! Une des équipes gagnantes de l'Autoimmune Disease ML Crunch 2 en partenariat avec @Schmidt_Center a construit un pipeline qui prédit 2 000 expressions de gènes immunitaires directement à partir d'images de tissus. Décomposons cela 🧵

Le Problème Pouvons-nous déduire l'expression génique uniquement à partir de lames de tissu ? C'est le type de compression de signal que l'IA débloque maintenant, transformant des images colorées en informations moléculaires pour les maladies auto-immunes. Cette équipe a construit l'un des systèmes les plus élégants du défi.

Leur Stack • Patches extraits des lames d'histologie • Vision Transformer (ViT) pour des embeddings de 1024 dimensions • Attention multi-tête pour prédire 200 gènes à forte variable • Encodeur-décodeur variationnel reconstruisant toutes les 2 000 expressions géniques Entraîné sur les données scRNA-seq normalisées de Crunch.

L'Architecture Image → Intégration → Signal → Profil Ce système associe les entrées aux sorties en modélisant la biologie sous-jacente. Chaque couche extrait un type d'information différent : visuelle, statistique et biologique. Le résultat final est précis, interprétable et ancré dans la structure des données.

L'Impact Ce type de système réduit les coûts, accélère le diagnostic et relie l'imagerie aux omiques. particulièrement précieux dans les maladies où l'activité immunitaire se cache sous la surface. Un pas en avant pour la pathologie computationnelle. Et pour les patients.

L'équipe • Dr. Sukrit Gupta @YoSukrit • Amit Kumar • Maninder Kaur • Dr. Michele Ceccarelli @mceccarelli • Dr. Raghvendra Mall @MallRaghvendra Lisez leur article complet ici :