从空间解析的转录组学解读空间域,使用语图形自编码器解读空间域

科学领域:

• 空间转录组学 空间转录组学
• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.

背景情况:

• 细胞聚类对于空间转录组学 (ST) 数据分析至关重要.
• 对ST分析的图形神经网络 (GNN) 方法面临表示崩,限制集群性能.

研究的目的:

• 引入SGAE,一个新的语图形自编码框架,用于改进ST数据中的空间域识别.
• 为了克服现有的基于GNN的方法的局限性,特别是表示崩.

主要方法:

• 开发了SGAE,一个语图形自动编码框架.
• 构建了一个从ST数据中整合基因表达和空间信息的图表.
• 在样本和特征层面减轻信息相关性,以加强代表性歧视.

主要成果:

• SGAE有效地捕捉空间模式,并产生高质量的细胞群.
• 与替代ST集群方法相比,实现了优异的性能,通过调整的兰德指数,规范化的相互信息和Fowlkes-Mallows指数进行验证.
• 证明了SGAE聚类结果对于精确的3DDDrosophila胚胎结构识别的有用性.

结论:

• 在ST数据中,SGAE提供了一个强大的空间域识别解决方案.
• 该框架显示了3D重建和组织结构研究的潜力.
• 源代码和结果是公开可用的可复制性和进一步研究.