Não é necessário sequenciamento da histologia para a transcriptômica! Uma das equipes vencedoras do Autoimmune Disease ML Crunch 2 em parceria com @Schmidt_Center construiu um pipeline que prevê 2.000 expressões de genes imunológicos diretamente de imagens de tecido. Vamos decompô-lo 🧵

O problema Podemos inferir a expressão gênica apenas a partir de lâminas de tecido? Esse é o tipo de compressão de sinal que a IA está desbloqueando agora, transformando imagens manchadas em insights moleculares para doenças autoimunes. Esta equipe construiu um dos sistemas mais elegantes do desafio.

Sua pilha • Adesivos extraídos de lâminas histológicas • Transformador de visão (ViT) para incorporações 1024-d • Atenção multi-cabeça para prever 200 genes de alta variável • Codificador-decodificador variacional reconstruindo todas as 2.000 expressões gênicas Treinado nos dados scRNA-seq normalizados do Crunch.

A arquitetura Imagem → Incorporação → perfil de → de sinal Este sistema mapeia entradas para saídas modelando a biologia subjacente. Cada camada extrai um tipo diferente de informação: visual, estatística e biológica. O resultado final é preciso, interpretável e fundamentado na estrutura dos dados.

O impacto Esse tipo de sistema reduz custos, acelera o diagnóstico e conecta a imagem com ômicas. especialmente valioso em doenças em que a atividade imunológica se esconde sob a superfície. Um passo à frente para a patologia computacional. E para os pacientes.

A Equipe • Dr. Sukrit Gupta @YoSukrit • Amit Kumar • Maninder Kaur • Dr. Michele Ceccarelli @mceccarelli • Dr. Raghvendra Mall @MallRaghvendra Leia o artigo completo aqui: