ST-deconv:自己暗号化と対比学習を利用した空間トランスクリプトームデータの正確な解像度アプローチ

科学分野:

• コンピュータ生物学
• ゲノミクス
• バイオ情報学

背景:

• 単細胞RNAシーケンシング (scRNA-seq) は細胞の異質性に関する洞察を提供しているが,空間的な文脈は欠けている.
• 現存する空間トランスクリプトミクス (ST) データは,単細胞解像度が不足しており,正確な細胞マッピングを制限しています.
• 細胞間通信分析は,現在の空間的および単細胞トランスクリプトミックの技術における制限によって妨げられています.

研究 の 目的:

• 空間情報を統合した深層学習モデル"ST-deconv"の開発
• 細胞組成を解析することで,空間トランスクリプトミックの解像度と精度を向上させる.
• 単細胞の入力から大規模な高解像度空間トランスクリプトミックのデータ生成を可能にします.

主な方法:

• 空間情報を組み込むディープラーニングベースのデコンボーションモデルであるST-deconvを開発しました.
• 隣接するスポットの空間的表現を強化し,空間的関係推論を改善するために対照的な学習を使用しました.
• 多様なデータセットにおける一般化と解像度を改善するために,ドメイン対抗ネットワークを使用した.

主要な成果:

• ST-deconvは従来の方法よりもはるかに優れ,平方根平均誤差 (RMSE) を13%から60%まで削減します.
• 異なる空間的相関を持つデータセットで低RMSE値 (0.03-0.07) を達成した.
• 高純度 (MOBで0. 68) と細胞型相関 (PDACで0. 76) で組織構造を成功裏に再構築した.

結論:

• ST-deconvは,空間トランスクリプトミクスを強化し,高解像度のセルラーマッピングを可能にする強力なツールを提供します.
• このモデルは,空間的な細胞型組成の学習を容易にし,細胞間相互作用の下流分析を改善します.
• この進歩は,トランスクリプトミックの研究における単細胞解像度と空間的な文脈の間のギャップを埋めます.