在单细胞分辨率的空间转录组学数据中发现组织模块,通过细胞与细胞相互作用意识的细胞嵌入
Yuzhe Li1, Jinsong Zhang2, Xin Gao3
1MOE Key Laboratory of Bioinformatics, Beijing Advanced Innovation Center for Structural Biology & Frontier Research Center for Biological Structure, Center for Synthetic and Systems Biology, School of Life Sciences, Tsinghua University, Beijing 100084, China; Academy for Advanced Interdisciplinary Studies, Peking University, Beijing 100871, China.
Cell systems
|June 1, 2024
概括
SPACE是一种新的深度学习方法,分析空间转录组学 (ST) 数据以识别细胞亚型和组织模块. 它揭示了细胞相互作用如何驱动组织功能,并发现具有独特相互作用网络的细胞社区.
科学领域:
- 计算生物学是一种计算生物学.
- 空间转录组学 空间转录组学
- 一个单细胞分析.
背景情况:
- 了解组织特异性的细胞功能需要分析单细胞分辨率空间转录学 (ST) 数据中的空间组织.
- 对于全面的ST数据分析,现有的计算方法需要改进.
研究的目的:
- 开发一种深度学习方法,用于从ST数据中识别细胞类型和发现组织模块.
- 为了捕捉基因表达特征和空间邻居相互作用,用于细胞表示.
主要方法:
- 引入了SPACE (通过互动感知细胞嵌入进行ST数据分析),一种深度学习方法.
- SPACE学习了细胞表征,包括基因表达和空间邻近信息.
- 应用 SPACE 来识别空间知情的细胞亚型并发现组织模块 ("细胞群落").
主要成果:
- SPACE确定了具有独特分布模式和近位细胞类型的空间信息的细胞亚型.
- 该方法自动发现了具有明确边界和均细胞类型分布的"细胞社区".
- SPACE为每个细胞群体生成了特有的近接细胞-细胞相互作用网络,帮助信号分析.
结论:
- 空间为分析单细胞分辨率ST数据提供了一个新的计算框架.
- 该方法增强了对近邻细胞-细胞相互作用如何促进组织模块内的生物功能的理解.
- 空间促进大规模的ST项目,旨在破译空间组织的新兴生物功能.
