MuCST:恢复和整合异质形态图像和空间转录组学数据与对比学习
Yu Wang1,2, Zaiyi Liu3,4, Xiaoke Ma5,6
1School of Computer Science and Technology, Xidian University, No.2 South Taibai Road, Xi'an, 710071, Shaanxi, China.
Genome medicine
|March 14, 2025
概括
空间解析转录学 (SRT) 集成了组织成像和基因表达. 一种新的方法,MuCST,使灵活的多模式数据集成能够实现更好的生物发现.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 空间解析转录学 (SRT) 通过整合空间位置,组织学和基因表达数据,为组织架构和细胞功能提供了前所未有的见解.
- 分析多模 SRT 数据对于理解复杂的生物机制至关重要,但会带来重大的计算挑战.
研究的目的:
- 开发一个灵活和强大的计算框架,用于综合分析多模式空间解析的转录学数据.
- 引入MuCST,一种利用对比学习进行增强SRT数据集成的新方法.
主要方法:
- MuCST采用多模式对比式学习方法.
- 该方法包括denoising,异质性消除和兼容特征学习.
- 它旨在在各种SRT数据集和平台上提供灵活性.
主要成果:
- MuCST证明了组织内空间域的准确识别.
- 该框架有效地整合了多模式SRT数据,克服了现有的局限性.
- 该方法显示可用于各种SRT数据集.
结论:
- MuCST提供了一个强大的新工具,用于综合分析多模式SRT数据.
- 这种方法有助于更深入地了解空间层面的生物过程.
- 开源可用性 (https://github.com/xkmaxidian/MuCST) 促进了该领域的更广泛采用和进步.
