生信碱移

切片预测基因表达

切片预测基因表达？整体来看，DeepPT, EGNv2, Hist2ST 表现最好

空间转录组学可以让研究者在组织空间尺度上进行转录调控分析，在疾病中应用的确实是非常广泛。然而，尽管空转能够提供高分辨率的空间信息，但其高昂成本限制了其在临床常规应用中的推广。相比之下，苏木精-伊红染色（H&E）组织病理图像作为临床常用数据来源，具有成本低廉且广泛可获得的优势。所以说，从 H&E 图像中预测空间基因表达是最近两年的热点模型。

分析层面，利用这样的模型再结合大规模的 bulk 队列像 TCGA 可以说直接遥遥领先于常规的预后建模了。比如小编之前分享的这篇 Nature Cancer [IF 23.5] 文章，就是典型的切片基因表达+下游任务（免疫治疗）。

图：DeepPT模型，基于病理切片预测基因表达与患者治疗反应。点击阅读推文

最近一段时间已经有了很多种从 H&E 图像预测空间基因表达的模型，也都是卷积神经网络（CNN）或 Transformer 架构这种比较常见的框架。但是到底哪个工具更好其实还没有啥定论，甚至很少提及。

今天小编给各位佬铁分享一篇发在 Nature Communications [IF 15.7] 的方法比较 benchmark 文章，作者在 5 个空转数据集复现并评估了 11 种从 H&E 图像预测空间基因表达的方法，还使用了大家熟悉的 TCGA 数据库进行了外部验证。

DOI: 10.1038/s41467-025-56618-y

比较层面，作者用了 28 个指标，可以说涵盖基因表达预测性能、模型泛化能力、临床转化潜力、用户可用性及计算效率各种维度。结果表明，不同方法在各项指标上表现差异显著，尚无单一方法在所有维度均占优。

图 1：基准评估流程与任务示意。图 a：展示从 H&E 图像到空间基因表达预测的机器学习流程；图 b：展示五大评估维度，包括预测性能、泛化能力、临床转化潜力、可用性及计算效率。

有点八仙过海的感觉了，分点看一下这些模型是如何各显神通的吧：

• • HisToGene：泛化能力和外部队列表现最好

• • EGNv2：单纯的空转预测空间基因表达预测精度最强

• • DeepPT：在 Visium 数据，尤其是高分辨率数据中表现更好

• • DeepP/EGNv2：临床生存分析的 Cindex 更好

整体来看，DeepPT, EGNv2, Hist2ST 表现是相对最好的。

图：所有方法的评估结果 a-b，以及 c 具体切片预测空间基因表达的表现举例。

分析比较也就是常规能够理解的，想发个 NC 的 benchmark 多少得升华一下。作者在此基础上还对代码开放程度、教程质量、复现难度与新数据适配能力进行了评估。整体来看，多数方法虽然已经公开，但是很多难以使用。其中，Hist2ST 上手难度最简单，代码可用性高。

图：所选方法的可用性得分。

作者还提供了用于 benchmark 分析的代码流程以及相应的数据文件，感兴趣的铁子可以自行阅读学习：

图：代码流程 Rmd 与绘图文件。https://zenodo.org/records/14602489

可以测试测试

简单分享到这