1145-Kasumi：基于空间组学持久局部模式的组织表征学习

本文介绍了一种名为 Kasumi 的新型计算工具，旨在通过分析空间组学数据来揭示组织微环境中的复杂结构。该方法突破了传统仅依赖细胞类型比例的局限，利用无监督学习识别样本间持久存在的多变量非线性空间关系模式。通过将组织划分为具有特定相互作用特征的区域，Kasumi 能够生成可解释的样本表示，并将其应用于临床任务。实验证明，该方法在预测癌症进展和治疗反应方面的准确性显著优于现有技术。最终，它为研究人员提供了一个从分子交互尺度理解疾病机制与患者分层的强有力框架。References:Tanevski J, Vulliard L, Ibarra-Arellano MA, Schapiro D, Hartmann FJ, Saez-Rodriguez J. Learning tissue representation by identification of persistent local patterns in spatial omics data. Nat Commun. 2025 Apr 30;16(1):4071. doi: 10.1038/s41467-025-59448-0. PMID: 40307222; PMCID: PMC12044154.前往小宇宙评论区与主播互动