Nat. Biotechnol. | iStar：通过整合空间转

空间转录组学（ST）在生成组织内细胞的复杂分子图谱方面显示出巨大的潜力。2024年1月，《Nature Biotechnology 》发表了一种基于分层图像特征提取的方法—— iStar，其能整合ST数据和高分辨率组织学图像，以超分辨率预测空间基因表达。

 iStar是什么？

iStar是一种基于由缺乏单细胞分辨率的平台生成的ST数据对超分辨率组织结构进行快速注释的方法。这对实际研究具有重要意义，因为现有的ST平台缺乏单细胞分辨率或全转录组覆盖。但是iStar能够生成以接近单细胞分辨率覆盖整个转录组的ST数据。iStar将ST中的基因表达分辨率提高到接近单细胞水平，并能在只有组织学图像的组织切片中进行基因表达预测。

iStar模型概述：iStar采用了分层视觉转换器（HViT），该转换器已通过自我监督学习（SSL）在公开的苏木精-伊红染色组织学图像数据集上进行了预训练。随后通过弱监督学习训练的前馈神经网络利用这些特征预测超像素级的基因表达。

 iStar的性能测试

开发团队通过分析多个癌症类型和健康组织的数据集，证明了iStar 预测的超分辨率基因表达是准确的。这些预测不仅保留了点水平的原始基因表达，而且在各种组织结构推断任务中具有实际应用价值。同时还证明iStar可以对只有组织学图像的组织切片进行样本外预测。此外，iStar的计算效率很高，对Xenium衍生的伪Visium乳腺癌数据进行端到端分析只需 9 分钟。相比之下，XFuse分析同样的数据需要 1969 分钟。这种计算效率上的优势使iStar能够从大量连续切割的组织切片和组织学图像中生成虚拟ST数据，从而全面描述三维组织中的基因表达变化。

评估iStar在超分辨率基因表达预测方面的准确性和预测单细胞水平基因表达的能力 评估iStar对多个组织切片的组织结构进行高分辨率注释的能力 评估iStar在超分辨率组织分割和注释方面的通用性

iStar算法是用Python实现的，可在GitHub 上获取：👉 https://github.com/daviddaiweizhang/istar.

参考文献：

Zhang, D., Schroeder, A., Yan, H. et al. Inferring super-resolution tissue architecture by integrating spatial transcriptomics with histology. Nat Biotechnol (2024). https://doi.org/10.1038/s41587-023-02019-9.

首发公号：深圳国家基因库大数据平台