HiSTaR: identificación de dominios espaciales con un autoencoder variacional espacial jerárquico

Área de la Ciencia:

• Biología Computacional
• Genómica
• Bioinformática

Sus antecedentes:

• La transcriptómica espacial (ST) permite la adquisición de datos de todo el transcriptoma con contexto espacial.
• La comprensión de los microambientes tisulares y los dominios espaciales es crucial en la investigación biológica.
• Los métodos de aprendizaje profundo son eficaces para analizar datos complejos de ST.

Objetivo del estudio:

• Presentar HiSTaR, un autoencoder variacional jerárquico para datos de ST.
• Aprovechar las características latentes de varios niveles para mejorar el análisis de la transcriptómica espacial.
• Mejorar la identificación de dominios espaciales y la corrección de efectos de lote en datos de ST.

Principales métodos:

• Desarrollo del autoencoder variacional jerárquico de transcriptómica espacial (HiSTaR).
• Empleo de múltiples bloques HiSTaR para capturar características latentes de varios niveles de los puntos espaciales.
• Utilización de características latentes para análisis posteriores como la identificación de dominios espaciales y la corrección de efectos de lote.

Principales resultados:

• HiSTaR demostró un rendimiento superior en la identificación de dominios espaciales en diversos conjuntos de datos de ST.
• El método integró con éxito múltiples cortes de tejido, corrigiendo los efectos de lote sin herramientas externas.
• HiSTaR admite análisis de trayectorias y expresión génica diferencial, validando su eficacia.

Conclusiones:

• HiSTaR proporciona un marco computacional eficaz para la investigación de la transcriptómica espacial.
• La captura jerárquica de características mejora la identificación de dominios espaciales y la comprensión de la heterogeneidad tisular.
• HiSTaR tiene el potencial de avanzar en el estudio de patrones de expresión génica resueltos espacialmente.