用中文点评一下：The rapid development of spatial transcriptomics allows the measurement of RNA abundance at a high spatial resolution making it possible to simultaneously profile gene expression spatial locat

空间转录组学的快速发展使得可以在高空间分辨率下测量RNA丰度，从而可以同时分析基因表达、细胞或斑点的空间位置以及相应的苏木精和伊红染色组织学图像。从相对容易和廉价获得的组织学图像中预测基因表达成为可能。为此，研究人员提出了几种方法，但它们尚未完全捕捉到2D视觉特征之间的内部关系或斑点之间的空间依赖性。因此，我们开发了Hist2ST，这是一种基于深度学习的模型，用于从组织学图像中预测RNA-seq表达。在每个测序斑点周围，将相应的组织学图像裁剪成图像块，并通过卷积模块提取2D视觉特征。同时，通过Transformer和图神经网络模块捕获与整个图像和相邻图像块之间的空间关系。然后，利用这些学习到的特征按照零膨胀负二项分布来预测基因表达。为了减轻小空间转录组学数据的影响，采用了自我蒸馏机制来有效学习模型。通过对癌症和正常数据集的全面测试，证明了Hist2ST在基因表达预测和空间区域识别方面优于现有方法。进一步的通路分析表明，我们的模型能够保留生物信息。因此，Hist2ST能够通过组织学图像生成空间转录组学数据，以阐明组织的分子特征。