STGNks:基于图形神经网络的空间转录组学数据中的细胞类型的识别,自动编码器的否定和k-sum集群
Lihong Peng1, Xianzhi He2, Xinhuai Peng2
1School of Computer Science, Hunan University of Technology, Zhuzhou, 412007, Hunan, China; College of Life Sciences and Chemistry, Hunan University of Technology, Zhuzhou, 412007, Hunan, China.
Computers in biology and medicine
|September 22, 2023
概括
一种新的空间聚类方法,STGNNks,集成图形神经网络和自动编码器用于高级空间转录学分析. 这种方法在从复杂的组织数据中识别空间域和生物见解方面显著优于现有的算法.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 空间转录组学整合了空间位置,组织形态和基因表达数据.
- 分析这些综合数据对于理解细胞生物学在其组织背景下至关重要.
研究的目的:
- 开发一种创新的空间聚类方法,STGNNks,用于增强空间转录学数据分析.
- 准确地识别空间领域,并从高分辨率的转录基因数据中推断生物学过程.
主要方法:
- STGNNks结合了图形神经网络,自动编码器和k-sum集群.
- 它预处理空间转录学数据,构建混合邻矩阵,并使用图形卷积网络学习嵌入特征.
- 学习的特征通过基于ZINB的自动编码器进行尺寸缩小,然后通过k-sum集群进行域识别.
主要成果:
- 在多个内部和外部验证指标中,STGNNks显著优于其他五种空间聚类方法 (CCST,Seurat,stLearn,Scanpy,SEDR).
- 该方法成功地在未标记的数据集中识别了空间变量和差异表达的基因.
- 轨迹推断揭示了人类乳腺癌数据中的疾病进展模式.
结论:
- STGNNks为空间转录学数据分析提供了一种高效和强大的方法.
- 该方法有可能通过提供更深入的生物学见解来改善疾病诊断和治疗.
- 该STGNNks代码是公开可用的,用于更广泛的研究应用.
更多相关视频
09:45Isolation and Profiling of Human Primary Mesenteric Arterial Endothelial Cells at the Transcriptome Level
Published on: March 14, 2022
3.0K
08:16Fluorescence-Activated Nuclei Negative Sorting of Neurons Combined with Single Nuclei RNA Sequencing to Study the Hippocampal Neurogenic Niche
Published on: October 20, 2022
3.0K