Deep Learning for Gene Expression Prediction from Histology Slide

Abstract

Predicting spatially resolved gene expression directly from hematoxylin and eosin (H&E) stained images offers a cost- and time-effective alternative to traditional spatial transcriptomics. In this work, deep learning architectures, such as EfficientNet-B3 and ResNet-50, are evaluated using a large-scale dataset of approximately 164,000 spots from Multiple Sclerosis donors. A primary contribution of this research is applying these methods to brain tissue, representing a novel application within this specific field. This choice of tissue type provides critical insights into the generalization potential of predictive models across complex biological environments. Findings, validated via the Pearson Correlation Coefficient, confirm the successful reconstruction of spatial molecular profiles. This research establishes a robust computational framework, effectively bridging classical histology and high-dimensional molecular pathology.

Predikce prostorově rozlišené genové exprese přímo ze snímků barvených hematoxyli- nem a eosinem (H&E) nabízí nákladově a časově efektivní alternativu k tradiční prosto- rové transkriptomice. V této práci jsou vyhodnoceny architektury hlubokého učení, jako například EfficientNet-B3 a ResNet-50, s využitím rozsáhlého souboru dat obsahujícího přibližně 164 000 spotů od dárců s roztroušenou sklerózou. Hlavním přínosem tohoto výzkumu je aplikace těchto metod na mozkovou tkáň, což představuje nové využití v rámci této specifické oblasti. Tato volba typu tkáně poskytuje zásadní vhled do poten- ciálu generalizace prediktivních modelů napříč komplexními biologickými prostředími. Zjištění, validovaná pomocí Pearsonova korelačního koeficientu, potvrzují úspěšnou re- konstrukci prostorových molekulárních profilů. Tento výzkum vytváří robustní výpočetní rámec, který efektivně propojuje klasickou histologii a vysokodimenzionální molekulární patologii.