从组织图像预测空间基因表达

空间转录组学可以测量组织切片中每个位置哪些基因在表达，但它昂贵，而且会耗尽切片。H&E 染色便宜，几乎每张临床切片都有。如果形态学包含足够的信息，一个在配对的 H&E 与空间 RNA 上训练的模型就可以为新组织估计表达图，并指出值得进一步测量的区域。预测只是关于组织的假设，而不是新的测量，所以真正的问题更具体：在模型从未见过的患者身上，空间 RNA 模式有多少能从图像中读出来？哪种训练方式最接近？

数据来自三位结直肠癌患者，采用 Visium HD 测序，并在 8 µm 的 bin 尺度上分析。一个 bin 是一个网格方块，而不是一个细胞。大多数测得的计数为零，而零既可能来自采样稀疏，也可能代表真正的不表达。

所有模型使用同一个现有病理图像编码器（HIPT）的冻结特征，以及同一个小型神经网络，只改变训练方案。MSE 用平方误差拟合对数变换后的计数；NB 用负二项似然拟合原始计数，这是过离散计数数据的标准模型；ZINB 在此基础上加入一个额外零值的概率。每种方案同时改变了训练目标和预测的读取方式，因此这是对训练方案的比较，而不是单独比较损失函数。

测试以患者为单位：在两位患者上训练、在第三位上评估，轮换使每位患者都被留出一次。基因选择（约 3,000 个高变基因加一个固定的 94 个标志基因列表）、特征归一化、学习率和检查点的选择都只使用训练患者。被留出患者的 RNA 只在最终评估时使用。每种方法都有自己调优的学习率和五个全新的训练种子，没有任何方案是在另一方案的设置下被评判的。这些实验由我设计并完成，GPU 流程由我搭建，结果也由我报告；指导教授为 Tianlong Chen，导师为 Mufan Qiu 和 Ruichen Zhang，合作者为 Yi Zhang（杜克大学）。

在三位被留出的患者中，两种计数模型对基因空间高低变化的捕捉都优于 MSE，但在所有 bin 上平均的误差也更大。这并不矛盾。相关系数衡量的是预测图是否在测量图升高的地方升高；绝对误差衡量的是每个 bin 的数值偏差多少。当大多数计数为零时，处处预测接近零就可能得到很低的误差，却很少说明基因在哪里表达。计数模型把预测信号分布到更多 bin 中：相关性上升，在测得阳性的 bin 上误差下降，而在所有 bin 上的误差上升。ZINB 相比普通 NB 没有稳定的额外优势。

相关系数的绝对值不高，因为基因集中有数千个基因在形态上几乎不可见。结论在于方案之间的比较，而不是数值本身。三位患者不足以证明模型在更广人群中的表现。

这个项目给我最大的教训关于评估。早期的一个结果似乎显示某种训练目标有很大优势，但那些模型是在不同学习率下训练的；一旦匹配设置，差距就大幅缩小。一个更复杂的生成式方法（flow matching）在受控实验中也没有带来稳定提升。从那以后，每一次比较都先匹配设置，再解读结果。

最大的缺口在生物学层面。更亮、更连续的预测图并不证明模型找到了真实的细胞。在某些区域，计数模型在测得计数很少的地方预测出大片信号，这需要独立的参照来判断。下一步是用独立标注的组织区域来评估预测，这一步尚未完成。已提出但尚未开展的后续实验将检验剩余的局限来自哪里：更新的图像编码器、简单的空间邻域信息，以及一个由预测的细胞类型组成来构建表达的模型。