用中文评价一下：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能够以高空间分辨率测量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血红蛋白和嗜酸性染色组织学图像。这使得通过相对容易和廉价获取的组织学图像来预测基因表达成为可能。为此，已经设计了几种方法，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。在这里，我们开发了Hist2ST，这是一个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，相应的组织学图像被裁剪成图像块，并被送入卷积模块中提取2D视觉特征。同时，通过Transformer和图神经网络模块分别捕捉与整个图像和邻近图块的空间关系。然后，通过遵循零膨胀负二项分布，利用这些学习到的特征来预测基因表达。为了减轻空间转录组数据的影响，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，我们的模型可以保留生物学信息。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。