使用STANDS检测空间转录学中的异常解剖区域
Kaichen Xu1, Yan Lu1, Suyang Hou2
1School of Statistics and Mathematics, Zhongnan University of Economics and Law, Wuhan, 430073, China.
Nature communications
|September 19, 2024
概括
研究人员开发了STANDS,这是一种用于检测和剖析多样本空间转录组学数据中的异常组织域 (ATD) 的新框架. 这种方法通过识别常见的和个体特异的ATD来增强对疾病异质性的理解.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 生物技术是生物技术.
背景情况:
- 空间转录学 (ST) 数据通过表征异常组织领域 (ATD) 来提供对疾病机制的洞察.
- 目前的方法缺乏新的ATD检测和剖析的能力,特别是在多样本ST数据中.
- 了解病原异质性需要能够识别人口层面和个体特异因素的方法.
研究的目的:
- 引入STANDS,这是一个创新的框架,用于从多样本ST数据中重新检测,调整和分类型的ATD.
- 解决多样本DDATD的挑战,包括不可分离的ATD,多式联运数据集成和有限的正常ST数据集.
- 改善异常组织领域的特征,以更深入地了解疾病的发病因子.
主要方法:
- 开发STANDS,一个利用生成对抗网络 (GANs) 的框架.
- 在STANDS框架内整合多式模式学习,转移学习和风格转移技术.
- 将STANDS应用于各种多样本ST数据集进行基准测试.
主要成果:
- STANDS在识别常见的和个人特定的ATD方面表现出卓越的表现.
- 该框架有效地将ATD分解为生物学上不同的子域.
- STANDS提供了关于ATDs发展的见解,这些ATD最初与正常组织无法区分.
结论:
- STANDS提供了一种强大的新方法,用于在多样本ST数据中检测和剖析异常组织领域.
- 该框架促进了病原性异质和个体特异性疾病因素的表征.
- STANDS有可能揭示早期的ATD,这对于了解疾病进展至关重要.
