SpaLSTF: Modelo generativo basado en difusión con BiLSTM y XCA-Transformer para la imputación de transcriptómica espacial. | JoVE Visualize

Área de la Ciencia:

La genómica es la genómica.
Biología computacional Biología computacional.
La bioinformática es la bioinformática.

Sus antecedentes:

Las tecnologías de transcriptómica espacial (ST) ofrecen información sobre los patrones de expresión génica dentro de los tejidos.
Los métodos actuales de ST se enfrentan a limitaciones en la detección de genes y la cobertura de la expresión.
Los métodos de imputación computacional existentes que utilizan datos de scRNA-seq no capturan completamente las dependencias temporales celulares o los mecanismos reguladores de genes.

Objetivo del estudio:

Desarrollar un nuevo método computacional, SpaLSTF, para mejorar los datos de expresión génica de la transcriptómica espacial.
Abordar las limitaciones en la imputación actual de datos de ST mediante la incorporación de dependencias temporales y conocimientos de regulación génica.
Para mejorar la precisión y la integridad del análisis de la expresión génica espacial. análisis.

Principales métodos:

SpaLSTF emplea un modelo de difusión condicional guiado por los datos de scRNA-seq.
Se utiliza un proceso de Markov dual para capturar las relaciones de expresión génica a través de la perturbación del ruido y la desnudez.
Las redes bidireccionales de memoria larga a corto plazo (BiLSTM) modelan las dependencias del estado celular, y un transformador de atención de covarianza cruzada (XCA-Transformer) calcula los coeficientes de atención.
Un objetivo de límite inferior variable (VLB) con divergencia KL y pérdida de error cuadrado promedio asegura una distribución precisa del ruido.

Principales resultados:

SpaLSTF demostró un rendimiento superior en doce conjuntos de datos multiplataforma en comparación con siete métodos de última generación.
El método logró una mayor precisión en la imputación de la expresión génica.
SpaLSTF mejoró la identificación de la población celular y preservó las estructuras espaciales de manera efectiva.

Conclusiones:

SpaLSTF mejora significativamente la imputación y el análisis de datos de transcriptómica espacial.
El método propuesto ofrece un enfoque más completo para comprender la expresión génica espacial.
SpaLSTF representa un avance en las herramientas computacionales para la investigación de la biología espacial.