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

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.