Prostorová transkriptomika (Spatial transcriptomics) představuje revoluční technologii umožňující současné měření genové exprese v různých prostorových lokalizacích v rámci řezu tkáně. Vysoké náklady spojené s touto metodou však v současnosti omezují její širší využití a zpomalují její implementaci v klinické praxi. Jedním z možných řešení jsou přístupy tzv. „virtuálního prostorového profilování“, jejichž cílem je predikovat genovou expresi na základě znaků extrahovaných z histopatologických obrazových dat.

Současná odborná literatura naznačuje, že je možné, v různé míře přesnosti, predikovat expresní hladiny vybraných genů na základě charakteristik získaných z histopatologických snímků. Cílem této práce je tuto hypotézu ověřit konstrukcí odpovídajícího výpočetního modelu založeného na veřejně dostupných datech. Důležitým aspektem projektu je rovněž vymezení limitů tohoto přístupu, aby se předešlo nerealistickým očekáváním a byly identifikovány jeho potenciální praktické aplikace.

Student splní následující úkoly:

• Provede rešerši relevantní literatury a seznámí se s obecnými principy metod prostorové transkriptomiky se zaměřením na platformu 10x Genomics Visium v1.

• Prostuduje vybrané publikace zabývající se predikcí genové exprese z histopatologických obrazů.
• Navrhne jeden nebo více modelů hlubokého učení pro predikci sady 20 genů, z nichž některé budou vysoce relevantní pro kolorektální karcinom a jiné budou sloužit jako kontrolní. Modely mohou vycházet z existujících základních modelů nebo mohou být vyvinuty de novo.
• Navrhne a implementuje výpočetní pipeline pro nestranné hodnocení výkonnosti prediktivních modelů. Student zvolí jeden nebo dva parametry výkonnosti pro toto hodnocení.
• Provede analýzu výsledků, včetně statistického testování tam, kde je to vhodné, výsledky shrne a interpretuje z biologického i výpočetního hlediska.

Data a metody:

• Práce bude vycházet z datové kolekce publikované v [Ref1]. Studentovi bude poskytnuta předzpracovaná verze těchto dat.

• Prediktivní modely budou využívat metodologie hlubokého učení a mohou částečně adaptovat předtrénované modely dostupné ve veřejných repozitářích.

• Studentovi bude zajištěn přístup k odpovídajícím výpočetním zdrojům, včetně GPU, pro trénování modelů.

1. Valdeolivas, A., Amberg, B., Giroud, N. et al. Profiling the heterogeneity of colorectal cancer consensus molecular subtypes using spatial transcriptomics. npj Precis. Onc. 8, 10 (2024). https://doi.org/10.1038/s41698-023-00488-4 
2. Porta-Pardo, E., & Grases, D. (2025). A Practical Guide to Spatial Transcriptomics: Lessons from over 1000 Samples. Preprints. https://doi.org/10.20944/preprints202504.1450.v1
3. Muiz Khan, Suzan Arslanturk, Sorin Draghici, A comprehensive review of spatial transcriptomics data alignment and integration, Nucleic Acids Research, Volume 53, Issue 12, 8 July 2025, gkaf536, https://doi.org/10.1093/nar/gkaf536
4. Isnard, Pierre, and Benjamin D. Humphreys. “Spatial Transcriptomics: Integrating Morphology and Molecular Mechanisms of Kidney Diseases.” The American Journal of Pathology 195, no. 1 (2025): 23–39. https://doi.org/10.1016/j.ajpath.2024.06.012.