基于图形神经网络的对空间转录组学聚类方法的全面概述
Teng Liu1,2, Zhao-Yu Fang3, Zongbo Zhang1
1Clinical Research Center (CRC), Clinical Pathology Center (CPC), Cancer Early Detection and Treatment Center (CEDTC) and Translational Medicine Research Center (TMRC), Chongqing University Three Gorges Hospital, Chongqing University, Wanzhou, Chongqing, China.
Computational and structural biotechnology journal
|December 13, 2023
概括
本研究调查了图形神经网络 (GNN) 在空间转录学中的空间聚类方法. 它评估了GNN在识别空间领域方面的表现,提供了对局限性和未来研究方向的见解.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 空间转录学为信使核糖核酸 (mRNA) 的量化提供了高分辨率的空间上下文.
- 识别空间域 (空间聚类) 对于分析空间转录组学数据至关重要.
- 图形神经网络 (GNN) 通过整合基因表达,位置和组织学来展示空间域分类的希望.
研究的目的:
- 为空间转录学提供最近基于GNN的空间聚类方法的全面概述.
- 评估当前GNN方法对普遍存在的空间转录组学数据集的性能.
- 为了确定局限性,并建议未来的研究方向在基于GNN的空间聚类.
主要方法:
- 基于GNN的空间聚类方法的系统审查和评估.
- 在60个集群场景,不同的GNN,集群算法,PCA减少和校正方法中进行性能评估.
- 对准确性,稳定性,数据稳定性,要求,计算效率和内存使用情况进行比较分析.
主要成果:
- 基于GNN的现有空间聚类技术的全面性能评估.
- 在各种数据集和场景中识别不同方法的优缺点.
- 洞察应用GNN在空间转录学分析中的实际考虑.
结论:
- 在空间转录学中,GNN是空间域识别的强大工具.
- 性能根据选择的方法,数据特征和参数设置而有所不同.
- 需要进一步的研究来改进GNN以提高精度,效率和在空间转录学中更广泛的适用性.
