SpaInGNN:基于精细的图形神经网络的空间转录学增强集群和集成
Fangqin Zhang1, Zhan Shen1, Siyi Huang1
1Shool of Mathematics and Physics, China University of Geosciences, Wuhan 430074, China.
Methods (San Diego, Calif.)
|November 14, 2024
概括
SpaInGNN是一个图形神经网络 (GNN) 框架,通过整合基因表达和空间数据,准确地识别组织中的空间域. 这种方法增强了对组织组织的理解,并减轻了批量效应,以获得更好的生物见解.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 空间转录学 (ST) 能够在组织背景下进行基因表达分析.
- 确定单细胞层面的空间域仍然是阐明生物过程的挑战.
研究的目的:
- 开发一个新的图形神经网络 (GNN) 框架,SpaInGNN,用于准确的空间域划分.
- 整合空间位置,组织学和基因表达数据,以增强组织微环境特征.
主要方法:
- SpaInGNN在基因表达前集群后使用组织图像和欧几里德距离来改进空间图.
- 一个自我监督的GNN嵌入了精制的图形,最大限度地减少了自我重新配置的损失.
- 在多个组织切片中应用可以减轻批量效应.
主要成果:
- SpaInGNN在空间域识别准确度方面取得了显著的改进.
- 该方法提供了一个更忠实的组织组织组织的表现.
- 在小鼠嗅觉球和人类侧面前额皮质样本中成功应用.
结论:
- SpaInGNN有效地在单个细胞层面上划分空间域.
- 该框架提供了一种强大的方法来分析空间转录学数据.
- 这项技术促进了对复杂组织微环境的理解.
