生体分子情報を組織スライスの空間座標に正確にマッピングすることは、空間多組学解析の重要な要素であり、細胞核の分割精度は直接的に標的分子の位置の正確性を決定します。しかし、細胞核の形態多様性、組織構造の複雑さ、および細胞核の集合などの要因により、細胞核の分割が困難になり、既存の分割方法では細胞核の正確な分割が困難であり、それがさらに空間多組学解析の結果に影響を与えます。この問題に対処するために、階層的特徴の微調整と周波数領域の強化学習を組み合わせた細胞核分割ネットワークFFVM-UKANを提案し、特徴抽出に使用される浅層視覚状態空間モジュールおよび特徴微調整に使用される深層トークナイズ化コルモゴロフ・アーノルド・ネットワークを深く統合し、細胞核分割に必要な微細特徴のキャプチャとネットワークジャンプ接続効果を強化する並列周波数領域学習モジュールを提案しました。この方法は、公開データセットMoNuSegで細胞核の分割を達成し、mIoUおよびDiceはそれぞれ69.09％と81.72％であり、私有データセットではそれぞれ85.95％と92.45％に達します。さらに、10X Genomicsの人間肝データセットで遺伝子および細胞核マッピング効果を検証し、結果として遺伝子マッピング精度が90.63％であることを示しました。これらの結果は、本稿で述べられた方法が細胞核の分割精度およびモデルの汎化能力において良好な効果を示し、空間遺伝子と細胞核の高精度マッピングを実現し、この方法の空間多組学解析における応用潜在能を示しています。

細胞核の分割; 層状特徴微調整; 周波数領域強化学習; コルモゴロフ・アーノルド・ネットワーク