索伯:通过GNN进行可解释样本分类的空间转录组或蛋白组的自动化细胞邻近分析

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 蛋白质组学是指蛋白质组学.

背景情况:

• 空间解析的转录组学和蛋白质组学为生物过程提供了洞察力.
• 分析空间奥米克数据,将空间信息,标记物和表型联系起来是具有挑战性的.

研究的目的:

• 开发一种新的深度学习框架,用于分析空间空间数据.
• 预测组织表型,如免疫治疗反应,使用空间奥米克数据.
• 了解观察到的表型背后的生物学机制.

主要方法:

• 开发SORBET,这是一个使用图形神经网络 (GNN) 的深度学习框架.
• 在空间蛋白质组学和转录组学数据上应用SORBET.
• 预测组织表型和识别生物过程.

主要成果:

• SORBET准确地学习各种组织结构和数据采集方法之间的生物学意义上的关系.
• 该框架成功预测了组织表型,包括对免疫治疗的反应.
• 索伯特 (SORBET) 促进了对空间解析的生物机制的理解.

结论:

• 索伯特有效地绘制空间和标记信息,从空间奥米克技术到新兴的生物现象型.
• 开发的框架提供了用于识别有助于预测表型的生物过程的新技术.
• 这种方法增强了对生物发现的复杂空间奥米克数据的分析.