一种可解释的贝叶斯集群方法,具有特征选择,用于分析空间解析的转录学数据
Huimin Li1, Bencong Zhu1,2, Xi Jiang3,4
1Department of Mathematical Sciences, The University of Texas at Dallas, Richardson, TX 75080, United States.
Biometrics
|July 29, 2024
概括
这项研究引入了一种分析空间解析转录组学 (SRT) 数据的新模型,改进了组织内不同空间域的识别. 该方法通过整合基因表达和空间信息来提高聚类精度,以获得更好的生物洞察力.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 空间解析的转录学 (SRT) 提供了组织内的高分辨率分子概况.
- 现有的SRT数据集群方法往往缺乏可解释性,因为它们依赖于临时的维度缩小.
- 了解组织组织需要准确地将其分为不同的空间领域.
研究的目的:
- 开发一种可解释且准确的方法,用于SRT数据中的点或单元集群.
- 整合分子形状和空间信息,以改进域识别.
- 确定定义空间域的关键基因.
主要方法:
- 一个零膨胀的负二项式混合物模型,用于基于分子形状的聚类.
- 一种特征选择机制,用于识别可解释性的歧视基因.
- 使用马尔科夫随机场进行空间信息的整合.
主要成果:
- 与现有方法相比,拟议的模型显示了较好的集群精度.
- 特征选择识别了具有生物相关性的基因,这些基因是空间领域的特征.
- 成功应用于三个真实世界的SRT数据集.
结论:
- 联合建模策略通过整合分子和空间信息,有效地集群SRT数据.
- 该方法通过基因特征选择提高了可解释性.
- 这种方法推进了使用SRT数据分析组织架构的研究.


