ЛОШАДЬ

HEST-библиотека: объединение пространственной транскриптомики и гистопатологии

Предназначен для запроса и сборки набора данных HEST-1k.

[ арXiv | Данные | Документация | Учебники | Цитировать ]

Добро пожаловать в официальный репозиторий GitHub библиотеки HEST, представленной в «HEST-1k: набор данных для пространственной транскриптомики и анализа гистологических изображений», NeurIPS Spotlight, 2024 . Этот проект был разработан Лабораторией Махмуда Гарвардской медицинской школы и Женской больницей Бригама.

Что дает этот репозиторий?

• HEST-1k: бесплатный доступ к HEST-1K , набору данных из 1229 парных образцов пространственной транскриптомики с полными изображениями слайдов, окрашенными HE.

• HEST-Library: серия помощников для сборки новых образцов ST (ST, Visium, Visium HD, Xenium) и работы с HEST-1k (анализ ST, пакетный эффект, а именно и коррекция и т. д.).

• HEST-Benchmark: новый тест для оценки прогностической эффективности базовых моделей гистологии при прогнозировании экспрессии генов на основе морфологии.

HEST-1k, HEST-Library и HEST-Benchmark выпускаются под международной лицензией Attribution-NonCommercial-ShareAlike 4.0.

Обновления

• 21.10.24 : HEST был принят на NeurIPS 2024 в качестве внимания! Мы будем в Ванкувере с 10 по 15 декабря. Если вы хотите узнать больше о HEST, отправьте нам сообщение ([email protected]).

• 23.09.24 : Выпущен 121 новый сэмпл, в том числе 27 Xenium и 7 Visium HD! Мы также публикуем выровненные транскрипты Xenium + выровненные сегментированные клетки/ядра DAPI.

• 30.08.24 : Обновлены результаты HEST-Benchmark. Включает H-Optimus-0, Virchow 2, Virchow и GigaPath. Новая задача COAD на основе 4 образцов Xenium. Данные стенда HuggingFace обновлены.

• 28.08.24 : Новый набор помощников для пакетной визуализации и коррекции эффектов. Учебник здесь.

Загрузка/запрос HEST-1k (>1 ТБ)

Чтобы загрузить/запросить HEST-1k, следуйте руководству 1-Downloading-HEST-1k.ipynb или следуйте инструкциям по Hugging Face.

ПРИМЕЧАНИЕ. Весь набор данных весит более 1 ТБ, но вы можете легко загрузить подмножество, запросив идентификатор, орган, вид...

Установка HEST-библиотеки

git clone https://github.com/mahmoodlab/HEST.git
cd HEST
conda create -n "hest" python=3.9
conda activate hest
pip install -e .

Дополнительные зависимости (для манипуляций с WSI):

sudo apt install libvips libvips-dev openslide-tools

Дополнительные зависимости (ускорение GPU):

Если на вашем компьютере доступен графический процессор, мы рекомендуем установить Cucim в вашей среде Conda. (hest был протестирован с cucim-cu12==24.4.0 и CUDA 12.1 )

pip install 
    --extra-index-url=https://pypi.nvidia.com 
    cudf-cu12==24.6.* dask-cudf-cu12==24.6.* cucim-cu12==24.6.* 
    raft-dask-cu12==24.6.*

ПРИМЕЧАНИЕ. HEST-Library тестировалась только на компьютерах с Linux/macOS. О любых ошибках сообщайте в разделе GitHub.

Проверьте HEST-1k с помощью HEST-библиотеки

Затем вы можете просто просмотреть набор данных как:

 из hest import iter_hestfor st в iter_hest('../hest_data', id_list=['TENX95']):print(st)

API HEST-библиотеки

HEST-библиотека позволяет собирать новые образцы с использованием формата HEST и взаимодействовать с HEST-1k. Мы предоставляем два урока:

• 2-Взаимодействие с HEST-1k.ipynb: работа с данными HEST для загрузки патчей. Включает подробное описание каждого объекта сканирования.

• 3-Assembling-HEST-Data.ipynb: пошаговое руководство по преобразованию образца Visum в HEST.

• 5-Batch-effect-visualization.ipynb: Пакетная визуализация и коррекция эффектов (MNN, Harmony, ComBat).

Кроме того, мы предоставляем полную документацию.

HEST-Бенчмарк

Тест HEST-Benchmark был разработан для оценки 11 базовых моделей патологии в рамках нового, разнообразного и сложного теста. HEST-Benchmark включает девять задач по прогнозированию экспрессии генов (50 высоковариабельных генов) по морфологии (области 112 x 112 мкм при 0,5 мкм/пиксель) в девяти различных органах и восьми типах рака. Мы предоставляем пошаговое руководство по запуску HEST-Benchmark и воспроизведению наших результатов в 4-Running-HEST-Benchmark.ipynb.

Результаты HEST-Benchmark (30.08.24)

HEST-Benchmark использовался для оценки 11 общедоступных моделей. Сообщенные результаты основаны на ридж-регрессии с PCA (256 факторов). Гребневая регрессия несправедливо наказывает модели с большими размерами внедрения. Чтобы обеспечить справедливое и объективное сравнение моделей, мы выбрали PCA-сокращение. Производительность модели измерена с помощью корреляции Пирсона. Лучшее выделено жирным шрифтом , второе лучшее подчеркнуто . В статье представлены дополнительные результаты, основанные на регрессии Random Forest и XGBoost.

Модель	ИДЦ	ПРАД	ПААД	СККМ	COAD	ЧИТАТЬ	ccRCC	ЛУАД	ЛИМФА ИДЦ	Средний
Реснет50	0,4741	0,3075	0,3889	0,4822	0,2528	0,0812	0,2231	0,4917	0,2322	0,326
CTransPath	0,511	0,3427	0,4378	0,5106	0,2285	0,11	0,2279	0,4985	0,2353	0,3447
Фикон	0,5327	0,342	0,4432	0,5355	0,2585	0,1517	0,2423	0,5468	0,2373	0,3656
РАКОВИНА	0,5363	0,3548	0,4475	0,5791	0,2533	0,1674	0,2179	0,5312	0,2507	0,3709
Ремедис	0,529	0,3471	0,4644	0,5818	0,2856	0,1145	0,2647	0,5336	0,2473	0,3742
Гигапат	0,5508	0,3708	0,4768	0,5538	0,301	0,186	0,2391	0,5399	0,2493	0,3853
УНИ	0,5702	0,314	0,4764	0,6254	0,263	0,1762	0,2427	0,5511	0,2565	0,3862
Вирхов	0,5702	0,3309	0,4875	0,6088	0,311	0,2019	0,2637	0,5459	0,2594	0,3977
Вирхов2	0,5922	0,3465	0,4661	0,6174	0,2578	0,2084	0,2788	0,5605	0,2582	0,3984
УНИв1.5	0,5989	0,3645	0,4902	0,6401	0,2925	0,2240	0,2522	0,5586	0,2597	0,4090
Хоптимус0	0,5982	0,385	0,4932	0,6432	0,2991	0,2292	0,2654	0,5582	0,2595	0,4146

Сравнительный анализ вашей собственной модели

Наше руководство в 4-Running-HEST-Benchmark.ipynb поможет пользователям, заинтересованным в тестировании собственной модели с помощью HEST-Benchmark.

Примечание. Спонтанные вклады приветствуются, если исследователи из сообщества хотят включить новые модели. Для этого просто создайте запрос на включение.

Проблемы

• Предпочтительный способ общения — через выпуски GitHub.

• Если проблемы с GitHub неуместны, отправьте электронное письмо по [email protected] (и cc [email protected] ).

• Немедленное реагирование на незначительные проблемы может быть недоступно.

Цитирование

Если наша работа окажется полезной для вашего исследования, пожалуйста, процитируйте:

Жауме, Г., Дусе, П., Сонг, А.Х., Лу, М.И., Альмагро-Перес, К., Вагнер, С.Дж., Вайдья, А.Дж., Чен, Р.Дж., Уильямсон, ДФК, Ким, А. и Махмуд, Ф. HEST-1k: набор данных для пространственной транскриптомики и анализа гистологических изображений. Достижения в области нейронных систем обработки информации , декабрь 2024 г.

@inproceedings{jaume2024hest,
    author = {Guillaume Jaume and Paul Doucet and Andrew H. Song and Ming Y. Lu and Cristina Almagro-Perez and Sophia J. Wagner and Anurag J. Vaidya and Richard J. Chen and Drew F. K. Williamson and Ahrong Kim and Faisal Mahmood},
    title = {HEST-1k: A Dataset for Spatial Transcriptomics and Histology Image Analysis},
    booktitle = {Advances in Neural Information Processing Systems},
    year = {2024},
    month = dec,
}