基于依赖性的深度生成模型用于空间奥米克数据的多任务分析

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 空间解析转录学 (SRT) 推动了生物医学研究,但由于数据噪声和空间依赖,它面临着分析挑战.
• 现有的方法与SRT计数数据和复杂的空间关系的离散性质作斗争.

研究的目的:

• 引入 spaVAE,一个深度生成空间变量自编码模型,用于强大的 SRT 数据分析.
• 解决在SRT中描述计数数据和捕获空间相关性方面的挑战.

主要方法:

• 开发了 spaVAE,一个依赖意识的变量自编码器模型.
• 实现了混合嵌入,将高斯过程和高斯 priors 结合起来,用于空间相关性.
• 优化深度神经网络以近似SRT数据分布.

主要成果:

• spaVAE在捕获空间相关性时概率地描述计数数据.
• 该模型支持各种SRT分析任务:缩小维度,可视化,集群,批整合,无声化,差异表达,空间插曲,分辨率增强和空间变量基因识别.
• 将spaVAE扩展为spaPeakVAE用于空间ATAC-seq和spaMultiVAE用于空间多omics数据.

结论:

• spaVAE提供了一个强大的,灵活的框架,用于分析复杂的空间转录学数据.
• 该模型及其扩展增强了SRT技术在生物医学研究中的实用性.