计算建模用于从空间解析的转录组学解读组织微环境异质性
Chuanchao Zhang1, Lequn Wang2,3, Qianqian Shi4,5
1Key Laboratory of Systems Health Science of Zhejiang Province, School of Life Science, Hangzhou Institute for Advanced Study, Hangzhou 310024; University of Chinese Academy of Sciences, China.
Computational and structural biotechnology journal
|May 27, 2024
概括
空间转录学通过分析基因表达与位置来揭示组织结构和疾病进展. 本综述对分析这些复杂的omics数据的计算方法进行了分类,帮助研究人员选择合适的工具.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 空间转录学 (ST) 测量基因表达,同时保留空间信息,这对于研究组织结构和病理学至关重要.
- 由ST生成的大量数据需要先进的计算方法来理解组织微环境异质性.
研究的目的:
- 分类和审查空间转录学数据分析的计算方法.
- 引导研究人员根据他们的具体研究需求选择合适的计算工具.
主要方法:
- 将计算方法分为基于机器学习,基于概率模型和基于深度学习的方法.
- 讨论代表算法,它们的优点和缺点.
- 用于评估ST计算方法的数据集和评估指标的描述.
主要成果:
- 提供了现有的空间转录学计算方法的结构化概述.
- 突出了不同算法方法的优缺点.
- 便于明智选择用于空间域检测和解卷的计算工具.
结论:
- 当前的计算方法为分析空间转录组学数据提供了多种策略.
- 基于技术进步和算法限制,建议未来的发展方向.
- 有效的计算分析是释放空间转录学在生物研究中的全部潜力的关键.
