通过TGR-NMF破译乳腺癌空间转录组学的渐进性病变区域

科学领域:

• 在瘤学瘤学.
• 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:

• 了解乳腺癌组织异质性和瘤进展需要识别空间域.
• 空间转录学中的脱落事件带来了计算挑战.
• 像图形神经网络这样的现有方法往往缺乏透明度和可解释性.

研究的目的:

• 在乳腺癌空间转录学中解读与疾病进展相关的空间域.
• 开发一种可解释的方法来分析空间转录基因数据.
• 确定与乳腺癌进展相关的致病基因和途径.

主要方法:

• 开发了三图规则化的非负矩阵因子分解 (TGR-NMF).
• 实施统一化策略,以解决脱学事件,并利用完整的基因表达数据.
• 将基因表达和空间位置邻近拓集成为数据表示.

主要成果:

• 通过异质性分析识别逐渐病变区域,表明乳腺癌的进展.
• 在确定区域内发现相关的致病基因和信号通路.
• 空间转录组数据的可解释的低维表示的开发.

结论:

• TGR-NMF提供了一种可解释的方法来分析乳腺癌空间转录组学.
• 该方法有效地处理学事件,并揭示与疾病进展相关的关键空间领域.
• 这种方法促进了针对性治疗策略的关键基因和途径的识别.