Точное сопоставление информации о биологических молекулах с пространственными координатами тканевых срезов является ключевым для анализа пространственной мультиомики, точность сегментации ядер клеток напрямую определяет точность локализации целевых молекул. Однако разнообразие формы ядер клеток, сложность структуры тканей и агрегация ядер клеток создают трудности в сегментации ядер клеток, поэтому существующие методы сегментации затрудняют достижение точной сегментации ядра клетки, что в свою очередь влияет на результаты пространственного мультиомического анализа. Для решения вышеупомянутой проблемы была предложена сеть сегментации ядер клеток FFVM-UKAN, объединяющая уточнение чередующихся параметров и усиливающее обучение в частотной области, глубокую интеграцию поверхностного модуля визуального состояния для извлечения параметров и глубокую токенизацию сетевой Колмогорова-Арнольда для уточнения параметров и предложения параллельного модуля обучения в частотной области для захвата тонких признаков, необходимых для сегментации ядра клеток, и усиление эффекта связи прыжка сети. Данная методика достигла сегментации ядра клеток в общем наборе данных MoNuSeg, c mIoU и Dice, соответственно, 69.09% и 81.72%, а на частном наборе данных достигла 85.95% и 92.45%. Кроме того, была проверена точность отображения генов и ядер клеток в датасете человеческой печени от 10X Genomics, результаты показали, что точность отображения генов составила 90.63%. Вышеприведенные результаты подтверждают, что методика, описанная в данной статье, имеет хороший эффект на точность сегментации ядер клеток и обобщающую способность модели, достигается точное и детальное отображение генов и ядер клеток в пространственной мультиомике, продемонстрированы потенциальные применения данной методики в пространственном мультиомическом анализе.

Сегментация ядер клеток; улучшенное разнообразие параметров; усиленное обучение в частотной области; сеть Колмогорова-Арнольда