空間情報が重要：従来のインピュテーション方法は空間トランスクリプトミクスデータに有効か？

科学分野:

• ゲノミクス; バイオインフォマティクス; 計算生物学

背景:

• 空間分解トランスクリプトミクス（SRT）は、生物学的発見のための高解像度の空間的文脈を提供します。; SRTデータセットはドロップアウトイベントが多く、正確な解釈を妨げます。; 既存のインピュテーション方法は、新しいSRT技術に関する体系的なベンチマークが不足しています。

研究 の 目的:

• 新しいSRTプラットフォームで最先端（SOTA）のインピュテーション方法を評価すること。; SRTデータ用の新しいインピュテーション方法、SpaMean-Imputeを導入すること。; SpaMean-Imputeのパフォーマンスと計算効率を評価すること。

主な方法:

• 5つのSRTプラットフォームと23のデータセットにわたる7つのSOTAインピュテーション方法を評価しました。; ドロップアウト軽減と検出のために空間情報を取り入れたSpaMean-Imputeを開発しました。; ARI、NMI、AMI、HOMOなどの指標を使用して、SpaMean-ImputeをSOTA法と比較しました。

主要な成果:

• 単一のSOTA法が常に優れているわけではなく、ほとんどの方法が有効なドロップアウトの特定に苦労しました。; SpaMean-Imputeは、インピュテーション精度（例：16.15%のARI改善）においてSOTA法を大幅に上回りました。; SpaMean-Imputeは、深層学習法と比較して約33倍高速で、約1500MB少ないメモリを必要とする優れた計算効率を示しました。

結論:

• SpaMean-Imputeは、スパースなSRTデータをインピュートするための非常に効果的で効率的な方法です。; この方法が空間情報を活用できることは、既存の技術の限界に対処します。; SpaMean-Imputeは、新しい高解像度SRTデータセットの分析に価値のあるツールを提供します。