ม้า

HEST-Library: การนำ Transscriptomics เชิงพื้นที่และจุลพยาธิวิทยามารวมกัน

ออกแบบมาเพื่อการสืบค้นและการประกอบชุดข้อมูล HEST-1k

[ arXiv | ข้อมูล | เอกสารประกอบ | บทช่วยสอน | อ้างอิง ]

ยินดีต้อนรับสู่พื้นที่เก็บข้อมูล GitHub อย่างเป็นทางการของ HEST-Library ที่เปิดตัวใน "HEST-1k: ชุดข้อมูลสำหรับการวิเคราะห์เชิงพื้นที่และการวิเคราะห์ภาพเนื้อเยื่อวิทยา", NeurIPS Spotlight, 2024 โครงการนี้ได้รับการพัฒนาโดย Mahmood Lab ที่ Harvard Medical School และ Brigham and Women's Hospital

พื้นที่เก็บข้อมูลนี้ให้อะไร?

• HEST-1k: เข้าถึง HEST-1K ฟรี ซึ่งเป็นชุดข้อมูลตัวอย่าง Spatial Transcriptomics ที่จับคู่ไว้ 1,229 ตัวอย่างพร้อมภาพสไลด์ทั้งสีที่ย้อมด้วย HE

• HEST-Library: ชุดตัวช่วยในการประกอบตัวอย่าง ST ใหม่ (ST, Visium, Visium HD, Xenium) และทำงานร่วมกับ HEST-1k (การวิเคราะห์ ST, เอฟเฟกต์แบบกลุ่ม ได้แก่ และการแก้ไข ฯลฯ)

• HEST-Benchmark: เกณฑ์มาตรฐานใหม่ในการประเมินประสิทธิภาพการทำนายของแบบจำลองพื้นฐานสำหรับเนื้อเยื่อวิทยาในการทำนายการแสดงออกของยีนจากสัณฐานวิทยา

HEST-1k, HEST-Library และ HEST-Benchmark ได้รับการเผยแพร่ภายใต้ใบอนุญาต Attribution-NonCommercial-ShareAlike 4.0 International

อัพเดท

• 21.10.24 : HEST ได้รับการยอมรับให้เข้าร่วม NeurIPS 2024 ในฐานะ Spotlight! เราจะไปแวนคูเวอร์ตั้งแต่วันที่ 10 ถึง 15 ธันวาคม ส่งข้อความถึงเราหากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ HEST ([email protected])

• 23.09.24 : เปิดตัวตัวอย่างใหม่ 121 รายการ รวมถึง Xenium 27 รายการ และ Visium HD 7 รายการ! นอกจากนี้เรายังสร้างการถอดเสียง Xenium ที่สอดคล้อง + เซลล์ / นิวเคลียสที่แบ่งส่วน DAPI ที่จัดแนวให้เป็นสาธารณะ

• 30.08.24 : อัปเดตผลลัพธ์ HEST-Benchmark แล้ว ประกอบด้วย H-Optimus-0, Virchow 2, Virchow และ GigaPath งาน COAD ใหม่ตามตัวอย่าง Xenium 4 รายการ ข้อมูลม้านั่ง HuggingFace ได้รับการอัปเดตแล้ว

• 28.08.24 : ชุดตัวช่วยใหม่สำหรับการแสดงภาพและการแก้ไขเอฟเฟกต์แบบแบตช์ บทช่วยสอนที่นี่

ดาวน์โหลด/สอบถาม HEST-1k (>1TB)

หากต้องการดาวน์โหลด/สอบถาม HEST-1k ให้ทำตามบทช่วยสอน 1-Downloading-HEST-1k.ipynb หรือทำตามคำแนะนำบน Hugging Face

หมายเหตุ: ชุดข้อมูลทั้งหมดมีน้ำหนักมากกว่า 1TB แต่คุณสามารถดาวน์โหลดชุดย่อยได้อย่างง่ายดายโดยการสืบค้นตามรหัส อวัยวะ สายพันธุ์...

การติดตั้ง HEST-Library

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

การขึ้นต่อกันเพิ่มเติม (สำหรับการจัดการ WSI):

sudo apt install libvips libvips-dev openslide-tools

การพึ่งพาเพิ่มเติม (การเร่งความเร็ว GPU):

หากมี GPU บนเครื่องของคุณ เราขอแนะนำให้ติดตั้ง cucim บนสภาพแวดล้อม conda ของคุณ (ทดสอบด้วย cucim-cu12==24.4.0 และ 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.*

หมายเหตุ: HEST-Library ได้รับการทดสอบบนเครื่อง Linux/macOS เท่านั้น โปรดรายงานจุดบกพร่องในปัญหา GitHub

ตรวจสอบ HEST-1k ด้วย HEST-Library

จากนั้นคุณสามารถดูชุดข้อมูลเป็น

 จาก hest นำเข้า iter_hestfor st ใน iter_hest('../hest_data', id_list=['TENX95']):print(st)

HEST-ไลบรารี API

HEST-Library อนุญาตให้ รวบรวม ตัวอย่างใหม่โดยใช้รูปแบบ HEST และ โต้ตอบ กับ HEST-1k เรามีบทช่วยสอนสองแบบ:

• 2-Interacting-with-HEST-1k.ipynb: เล่นกับข้อมูล HEST เพื่อโหลดแพตช์ รวมคำอธิบายโดยละเอียดของวัตถุสแกนแต่ละรายการ

• 3-Assembling-HEST-Data.ipynb: บทสรุปเพื่อแปลงตัวอย่าง Visum ให้เป็น HEST

• 5-Batch-effect-visualization.ipynb: การสร้างภาพและการแก้ไขเอฟเฟกต์แบบแบตช์ (MNN, Harmony, ComBat)

นอกจากนี้เรายังจัดเตรียมเอกสารให้ครบถ้วน

HEST-เกณฑ์มาตรฐาน

HEST-Benchmark ได้รับการออกแบบมาเพื่อประเมินแบบจำลองพื้นฐาน 11 แบบสำหรับพยาธิวิทยาภายใต้เกณฑ์มาตรฐานใหม่ หลากหลาย และท้าทาย HEST-Benchmark ประกอบด้วยงานเก้างานสำหรับการทำนายการแสดงออกของยีน (ยีนที่มีความหลากหลายสูง 50 ยีน) จากสัณฐานวิทยา (บริเวณ 112 x 112 um ที่ 0.5 um/px) ในอวัยวะที่แตกต่างกันเก้าแบบและมะเร็งแปดประเภท เรามีบทช่วยสอนทีละขั้นตอนเพื่อเรียกใช้ HEST-Benchmark และสร้างผลลัพธ์ของเราใหม่ใน 4-Running-HEST-Benchmark.ipynb

ผล HEST-Benchmark (08.30.24)

HEST-Benchmark ใช้เพื่อประเมินโมเดล 11 แบบที่เปิดเผยต่อสาธารณะ ผลลัพธ์ที่รายงานจะขึ้นอยู่กับ Ridge Regression ด้วย PCA (256 ปัจจัย) การถดถอยแบบริดจ์จะลงโทษโมเดลที่มีขนาดการฝังที่ใหญ่กว่าอย่างไม่ยุติธรรม เพื่อให้มั่นใจว่ามีการเปรียบเทียบระหว่างรุ่นต่างๆ อย่างยุติธรรมและเป็นกลาง เราจึงเลือกใช้การลด PCA ประสิทธิภาพของแบบจำลองที่วัดด้วยความสัมพันธ์แบบเพียร์สัน ดีที่สุดคือ ตัวหนา ดีที่สุดรองคือ ขีดเส้นใต้ ผลลัพธ์เพิ่มเติมตามการถดถอยแบบสุ่มของฟอเรสต์และการถดถอย XGBoost มีอยู่ในบทความนี้

แบบอย่าง	ไอดีซี	ปราด	พล.อ	เอสเคซีเอ็ม	COAD	อ่าน	ซีซีอาร์ซีซี	ลุด	ลิมฟ ไอดีซี	เฉลี่ย
เรสเน็ต50	0.4741	0.3075	0.3889	0.4822	0.2528	0.0812	0.2231	0.4917	0.2322	0.326
ซีทรานส์พาธ	0.511	0.3427	0.4378	0.5106	0.2285	0.11	0.2279	0.4985	0.2353	0.3447
พิกล	0.5327	0.342	0.4432	0.5355	0.2585	0.1517	0.2423	0.5468	0.2373	0.3656
สังข์	0.5363	0.3548	0.4475	0.5791	0.2533	0.1674	0.2179	0.5312	0.2507	0.3709
เรเมดิส	0.529	0.3471	0.4644	0.5818	0.2856	0.1145	0.2647	0.5336	0.2473	0.3742
กิกะพาธ	0.5508	0.3708	0.4768	0.5538	0.301	0.186	0.2391	0.5399	0.2493	0.3853
ยูนิ	0.5702	0.314	0.4764	0.6254	0.263	0.1762	0.2427	0.5511	0.2565	0.3862
เวอร์โชว	0.5702	0.3309	0.4875	0.6088	0.311	0.2019	0.2637	0.5459	0.2594	0.3977
เวอร์โชว2	0.5922	0.3465	0.4661	0.6174	0.2578	0.2084	0.2788	0.5605	0.2582	0.3984
ยูนิฟ1.5	0.5989	0.3645	0.4902	0.6401	0.2925	0.2240	0.2522	0.5586	0.2597	0.4090
ฮอปติมัส0	0.5982	0.385	0.4932	0.6432	0.2991	0.2292	0.2654	0.5582	0.2595	0.4146

การเปรียบเทียบโมเดลของคุณเอง

บทช่วยสอนของเราใน 4-Running-HEST-Benchmark.ipynb จะแนะนำผู้ใช้ที่สนใจในการเปรียบเทียบโมเดลของตนเองบน HEST-Benchmark

หมายเหตุ: เราสนับสนุนการมีส่วนร่วมโดยธรรมชาติหากนักวิจัยจากชุมชนต้องการรวมโมเดลใหม่ๆ ในการทำเช่นนั้น เพียงสร้าง Pull Request

ปัญหา

• โหมดการสื่อสารที่ต้องการคือผ่านปัญหา GitHub

• หากปัญหา GitHub ไม่เหมาะสม โปรดส่งอีเมลไป [email protected] (และ cc [email protected] )

• อาจไม่สามารถตอบสนองต่อปัญหาเล็กๆ น้อยๆ ได้ในทันที

การอ้างอิง

หากคุณพบว่างานของเรามีประโยชน์ในการวิจัยของคุณ โปรดพิจารณาการอ้างอิง:

Jaume, G., Doucet, P., Song, AH, Lu, MY, Almagro-Perez, C., Wagner, SJ, Vaidya, AJ, Chen, RJ, Williamson, DFK, Kim, A., & Mahmood, F HEST-1k: ชุดข้อมูลสำหรับการวิเคราะห์ภาพเชิงพื้นที่และเนื้อเยื่อวิทยา ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท ธันวาคม 2024

@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,
}