在单细胞分辨率下搜索和匹配空间omics样本

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 基因组学和分子生物学

背景情况:

• 空间奥米克技术提供了前所未有的洞察力,可以在它们的空间背景下了解组织的分子特性.
• 整合和比较跨不同技术和模式的空间信息数据仍然是一个重大挑战.
• 缺乏用于比较分析的工具阻碍了在多个空间奥米克样本中搜索,匹配和可视化分子相似性和差异.

研究的目的:

• 引入CAST (空间奥米克交叉样本对齐),一种基于神经网络的新型深度图形神经网络方法.
• 为了使空间到空间的搜索和匹配的单细胞数据跨不同的空间奥米克技术和模式.
• 为空间分子特征的比较分析和空间解析的多原子形状的重建提供框架.

主要方法:

• 开发CAST,这是一个深度图形神经网络方法,用于空间奥米克数据集成.
• 基于单细胞水平的空间分子特征的内在相似性,组织的调整.
• 实现空间分辨差异分析 (∆Analysis) 和单细胞相对转换效率分析.

主要成果:

• CAST成功地调整了组织,并重建了空间分辨率的单细胞多原子形状.
• 空间分辨差异分析 (∆Analysis) 有效地确定了与疾病相关的分子途径和细胞与细胞相互作用.
• 单细胞相对转化效率分析揭示了不同细胞类型和组织区域的转化控制的差异.

结论:

• CAST提供了一个整合性框架,用于无搜索和匹配单细胞空间数据.
• 该方法可方便跨技术和跨模式对空间空间数据集进行比较.
• CAST增强了发现组织内的空间分子模式,疾病机制和细胞通信的能力.