多模式域调整,以从空间解析的转录组学中揭示空间功能景观
Lequn Wang1,2, Yaofeng Hu3, Kai Xiao1,2
1Key Laboratory of Systems Biology, Shanghai Institute of Biochemistry and Cell Biology, Center for Excellence in Molecular Cell Science, Chinese Academy of Sciences, No. 320 Yue Yang Road, Xuhui District, Shanghai 200031, China.
Briefings in bioinformatics
|May 31, 2024
概括
我们开发了stMDA,这是空间转录组学数据集成的新方法. 它将基因表达与其他数据类型相结合,绘制空间功能景观,并识别组织中的关键基因.
科学领域:
- 计算生物学是一种计算生物学.
- 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:
- 空间解析转录组学 (SRT) 提供了关于组织微环境中的基因表达的见解.
- 整合多式SRT数据 (基因表达,组织学,空间位置) 由于表达稀疏性而具有挑战性.
- 现有的方法难以对复杂的空间转录数据集进行全面分析.
研究的目的:
- 引入stMDA,一种新的无监督域适应方法,用于整合多式模式空间转录学数据.
- 通过将基因表达与其他模式相结合,揭示空间功能景观.
- 改进SRT数据集中的空间聚类和变异分析.
主要方法:
- stMDA使用神经网络从空间多式联络数据中学习模式特定的表示.
- 它在这些表示中对齐空间分布,以实现有效的数据集成.
- 该方法整合了全球和空间局部信息,以提高集群一致性.
主要成果:
- 与现有的方法相比,stMDA在识别跨平台和物种的空间域方面表现出卓越的性能.
- 该方法成功地识别了在癌症组织中具有显著预后价值的空间变量基因.
- 结果突出了stMDA在处理表达稀疏性的能力,以进行强大的空间分析.
结论:
- stMDA提供了一个强大而灵活的框架,用于空间转录学中的多式联络数据集成.
- 这种新工具推进了SRT数据集的分析,加深了我们对生物系统的理解.
- stMDA促进了复杂的空间关系及其对生物功能和疾病的影响的探索.
