Badacze opracowali SpaFactor, lekką metodę do przewidywania ekspresji genów bezpośrednio z obrazów histologicznych, omijając drogie i skomplikowane eksperymenty transkriptomiki przestrzennej. Problem w istniejących podejściach polega na tym, że traktują geny jako niezależne cele predykcji, ignorując fakt, że geny współpracują biologicznie i wzajemnie się regulują.
SpaFactor rozwiązuje to za pomocą trzech kluczowych innowacji. Po pierwsze, na etapie wejścia metoda efektywnie fuzjonuje reprezentacje wizualne poszczególnych punktów z kontekstem wieloskalowych sąsiedztw, co pozwala modelowi zrozumieć zarówno morfologię komórek, jak i heterogeniczność mikrośrodowiska tkankowego. Po drugie, rezydualny MLP uczy się stabilnie mapować mikrośrodowisko tkankowe na nisko-wymiarowe programy genowe, zamiast bezpośrednio przewidywać tysiące genów. Po trzecie, te programy są dekodowane poprzez współdzielone obciążenia genów na skoordynowane przewidywania wielogenowe, co naturalnie uwzględnia biologiczne powiązania między genami.
Wyniki na pięciu publicznych zbiorach danych pokazują, że SpaFactor osiąga najlepsze ogólne wyniki, ze szczególnie istotnymi poprawami dla genów o zmiennej ekspresji przestrzennej i bardziej wiernym odtworzeniem biologicznie zorganizowanych wzorów przestrzennych. To podejście otwiera nowe możliwości dla badaczy, którzy mogą teraz przewidywać złożone dane transkriptomiki z rutynowo dostępnych obrazów histologicznych, bez konieczności drogich i czasochłonnych eksperymentów sekwencjonowania.