يعد التعيين الدقيق للمعلومات الجزيئية الحيوية إلى إحداثيات الفضاء لمقاطع الأنسجة أمرًا أساسيًا لتحليل التعددية الفضائية، حيث يحدد دقة تقسيم نوى الخلايا بدقة تحديد المواقع الجزيئية الهدف. ومع ذلك، تؤدي تنوع أشكال نوى الخلايا، وتعقيد بنية الأنسجة، وتجمعات نوى الخلايا إلى صعوبة في تقسيم نوى الخلايا، مما يجعل الطرق الحالية عاجزة عن تحقيق التقسيم الدقيق لنوى الخلايا، وهو ما يؤثر على نتائج تحليل التعددية الفضائية. استجابةً لهذه المشاكل، تم اقتراح شبكة تقسيم نوى الخلايا FFVM-UKAN التي تجمع بين ترشيح الخصائص المتدرج والتعلم المعزز في النطاق الترددي، ودمجًا عميقًا بين وحدة الفضاء البصري السطحي لاستخراج الخصائص والشبكة العميقة المعممة Kolmogorov-Arnold لتمثيل الخصائص، مع تقديم وحدة التعلم الترددي المتوازية لتحقيق التقاط خصائص دقيقة لازمة لتقسيم نوى الخلايا وتعزيز تأثير الوصلات القفزية في الشبكة. تم تنفيذ هذه الطريقة على مجموعة البيانات المفتوحة MoNuSeg حيث بلغ mIoU وDice 69.09٪ و81.72٪ على التوالي، وبلغت النسب 85.95٪ و92.45٪ على مجموعة بيانات خاصة. علاوة على ذلك، تم التحقق من تأثير التعيين الجيني و نوى الخلايا على مجموعة بيانات الكبد البشري من 10X Genomics، حيث بلغت دقة التعيين 90.63٪. تظهر النتائج المذكورة أن الطريقة الموضحة في هذه الورقة لها تأثير جيد من ناحية دقة تقسيم نوى الخلايا وقدرة تعميم النموذج، وحققت تعيينًا عالي الدقة للجينات ونوى الخلايا، مما يبرز إمكانات تطبيق هذه الطريقة في تحليل التعددية الفضائية.

تقسيم نوى الخلايا;ترشيح الخصائص المتدرج;التعلم المعزز في النطاق الترددي;شبكة Kolmogorov-Arnold