空间组学：多模态融合与跨尺度分析
专题介绍
空间组学怎样把表达、组织图像和位置连接成可解释的组织结构？本期通过StereoMM与Glimmer两种方法，讨论多模态融合、邻域建模和跨尺度分析，比较它们在肿瘤及免疫研究中的用途。
专题背景
“科学进步依靠新技术、新发现和新思想，其重要顺序可能正是如此。”这句Sydney Brenner的名言指出了技术进步在推动科学突破中的重要性。本论坛将围绕“生物信息工具开发:历程与应用”这一主题，汇聚一线开发者，分享他们在开发尖端生物信息工具中的宝贵经验和多样化的应用场景。通过深入了解这些工具的原理和背后故事，生物学家们能够迅速将前沿技术应用到自己的研究中，从而大幅提升工作效率。此外，论坛还致力于提升对开发人员在科研界重要角色的认知。对于早期开发者，通过论坛可以了解到不同开发人员的职业发展轨迹，为职业发展规划提供参考。
暂无回放
时空多模态融合算法StereoMM开发原理及应用场景
西南华大生命科学研究院
（luobingying@foxmail.com），毕业于天津医科大学，现就职于西南华大生命科学研究院，主要负责时空临床病理平台的多模态分子分型算法开发工作。参与黑色素瘤、肺癌等多个癌种临床样本的分析。曾发表多篇SCI文章用于肿瘤患者分型及机制挖掘。基于时空数据开发的多模态融合算法已发表文章一篇，申请专利两项，软著两项。
空间组学技术生成高通量和多模态数据，需要开发先进的数据集成方法，以促进全面的生物和临床治疗发现。基于交叉注意力概念，我们开发了一个名为 StereoMM 的基于 AI 学习的工具链，这是一种基于图的融合模型，可以整合基因表达、组织学图像和空间位置等组学数据。StereoMM 使用注意力模块进行组学数据交互，使用图自动编码器以自监督方式集成空间位置和组学数据。将 StereoMM 应用于各种癌症类型和平台已经证明了其强大的能力。StereoMM 在识别反映肿瘤进展的空间区域方面优于竞争软件，并在将结直肠癌患者分为dmmr组和pmmr组方面显示出前景。StereoMM 的全面模态间集成和效率使研究人员能够有效地构建集成多模态特征的空间视图，从而推进全面的组织和患者表征。
已选择第 1 场：时空多模态融合算法StereoMM开发原理及应用场景，罗冰莹
评论（0）
登录后即可发表评论。
登录暂无评论，来发表第一条评论吧！