Un método no supervisado para el análisis de transcriptómica espacial basado en autoencoder adversarial

Área de la Ciencia:

• Genómica; Bioinformática; Biología Computacional

Sus antecedentes:

• La transcriptómica espacial (ST) permite el mapeo de la expresión génica dentro de los tejidos.
• Los datos de ST presentan desafíos debido al ruido y la complejidad.
• El análisis preciso es crucial para comprender la organización espacial biológica.

Objetivo del estudio:

• Desarrollar un marco robusto para el análisis de datos de transcriptómica espacial.
• Abordar los desafíos del ruido y las resoluciones de datos variables en el análisis de ST.
• Mejorar la precisión y la robustez del análisis de la expresión génica en contextos espaciales.

Principales métodos:

• Se desarrolló DACN, un marco unificado que integra un autoencoder adversarial (AAE) y una red convolucional de grafos (GCN).
• Se empleó un codificador híbrido con atención de múltiples cabezales y conexiones residuales para capturar patrones de expresión locales y globales.
• Se utilizó AAE para la eliminación de ruido y el aprendizaje de representaciones latentes, refinado por GCN utilizando información del vecindario espacial.

Principales resultados:

• DACN demostró una precisión y robustez superiores en múltiples conjuntos de datos de ST.
• El marco elimina eficazmente el ruido de los perfiles de expresión y aprende representaciones latentes estables.
• DACN supera a los métodos existentes en el análisis de datos de ST con diferentes resoluciones y rendimientos.

Conclusiones:

• DACN proporciona una solución potente y robusta para el análisis de datos de transcriptómica espacial.
• El marco mejora la comprensión de la organización espacial de la expresión génica.
• DACN está disponible públicamente, lo que facilita la investigación futura en el campo.