Geen sequencing vereist van histologie naar transcriptomics! Een van de winnende teams bij Autoimmune Disease ML Crunch 2 in samenwerking met @Schmidt_Center heeft een pijplijn gebouwd die 2.000 immuun genexpressies direct uit weefselafbeeldingen voorspelt. Laten we het opsplitsen 🧵

Het Probleem Kunnen we genexpressie alleen afleiden uit weefselpreparaten? Dat is het soort signaalcompressie dat AI nu ontsluit, waarbij gekleurde beelden worden omgezet in moleculaire inzichten voor auto-immuunziekten. Dit team heeft een van de meest elegante systemen in de uitdaging gebouwd.

Hun Stack • Patches geëxtraheerd uit histologie dia's • Vision Transformer (ViT) voor 1024-d embeddings • Multi-headed attention om 200 top-variable genen te voorspellen • Variational encoder-decoder die alle 2.000 genexpressies reconstrueert Getraind op Crunch's genormaliseerde scRNA-seq data.

De Architectuur Afbeelding → Inbedding → Signaal → Profiel Dit systeem koppelt invoer aan uitvoer door de onderliggende biologie te modelleren. Elke laag haalt een ander soort informatie op: visueel, statistisch en biologisch. Het eindresultaat is nauwkeurig, interpreteerbaar en geworteld in de structuur van de gegevens.

De Impact Dit soort systemen verlagen de kosten, versnellen de diagnose en verbinden beeldvorming met omics. Vooral waardevol bij ziekten waarbij immuunactiviteit onder de oppervlakte verborgen ligt. Een stap vooruit voor computationele pathologie. En voor patiënten.

Het Team • Dr. Sukrit Gupta @YoSukrit • Amit Kumar • Maninder Kaur • Dr. Michele Ceccarelli @mceccarelli • Dr. Raghvendra Mall @MallRaghvendra Lees hun volledige artikel hier: