arXiv cs.AI· Minh H. N. Le, Thanh-Huy Nguyen, Tao Li, Bao Quang Gia Le, Han H. Huynh, Monika Raj, Carl Yang, Min Xu, Tuan Vinh, Nguyen Quoc Khanh Le·· 2 天前AI 评分18
以影像为锚点的多组学如何整合心脏影像与转录组数据
Imaging-anchored multiomics in cardiovascular disease: integrating cardiac imaging, bulk, single-cell, and spatial transcriptomics
AI 导读
一篇综述提出"以影像为锚点"的视角，将超声心动图、CMR 和 CT 定义的心脏空间表型，与 bulk、单细胞和空间转录组学提供的细胞类型及位置分子信息相连接。文章定义了各模态的表示需求，比较多模态融合策略，并梳理了放射基因组学、空间对齐和基于影像的基因表达预测的整合流程及其验证要求与失效模式。
正文 · AI 翻译
摘要：心血管疾病源于遗传风险、分子程序与组织尺度重构之间的相互作用，这些相互作用可通过影像在临床上观察到。心脏 MRI（CMR）、计算机断层扫描（CT）和超声心动图是常规心血管诊疗中不可或缺的手段，而批量 RNA 测序、单细胞 RNA 测序和空间转录组学则日益提供心脏组织更详细的分子表征。然而，这些影像和分子数据仍在很大程度上于彼此独立的流程中进行分析。本综述考察将心脏影像表型与转录组及空间分辨分子状态联系起来的联合表征。我们采用以影像为锚定的视角，其中超声心动图、CMR 和 CT 界定心脏的空间表型，而批量、单细胞和空间转录组学提供细胞类型和位置特异性的分子背景。我们定义每种模态的表征需求，比较多模态融合策略，并综合放射基因组学、空间对齐和基于影像的基因表达预测的整合流程，以及它们的验证要求、局限性和失效模式。人类心肌和动脉粥样硬化斑块的空间多组学图谱，连同单细胞、空间和多模态医学基础模型，正在推进以影像为锚定的多组学；然而，成本、可扩展性和组织可获得性仍是大规模心血管转化的重要障碍。
| 评论： | 23 页，4 幅图，5 张表。综述文章 |
| 学科： | 定量方法（q-bio.QM）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2601.07871 [q-bio.QM] |
| （或 arXiv:2601.07871v3 [q-bio.QM] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.07871 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Briefings in Bioinformatics，第 27 卷，第 4 期，bbag365（2026） |
| 相关 DOI： | https://doi.org/10.1093/bib/bbag365
链接到相关资源的 DOI |
提交历史
来自：Tuan Vinh [查看电子邮件]
[v1]
2026 年 1 月 10 日星期六 23:30:49 UTC（16,995 KB）
[v2]
2026 年 10 月 14 日星期三 14:28:24 UTC（1 KB）（已撤回）
[v3]
2026 年 10 月 15 日星期四 15:18:49 UTC（20,570 KB）
来源：arXiv cs.AI · arxiv.org