在空间解析的欧米克数据中,细胞的定量表征

科学领域:

• 计算生物学是一种计算生物学.
• 空间奥米克斯 空间奥米克斯
• 图表深度学习 图表深度学习

背景情况:

• 空间奥米克揭示了协调组织功能的局部化细胞群落 ().
• 细胞相互作用形成了利基,但当前的计算方法很少使用这些信息.
• 现有的方法缺乏基于通信通道的利基的定量表征.

研究的目的:

• 介绍NicheCompass,这是一个新的图表深度学习方法,用于利基领域的识别和表征.
• 利用细胞通信和信号事件来理解利基的形成和功能.
• 提供一个可扩展的框架,用于空间奥米克数据分析.

主要方法:

• 开发了NicheCompass,这是一个利用蜂通信网络的图形深度学习模型.
• 学习可解释的细胞嵌入编码信号事件用于利基识别.
• 应用NicheCompass对小鼠胚胎发育和人类癌症数据集.

主要成果:

• NicheCompass根据通信路径定量地描述了利基,优于现有的方法.
• 成功地绘制了小鼠发育中的组织架构,并在人类癌症中划出了瘤.
• 通过构建小鼠大脑 (80万个细胞) 的大规模空间地图集来证明可扩展性.

结论:

• NicheCompass提供了一个可扩展和有效的框架,用于通过蜂信号识别和分析生物利基.
• 该方法提供了对利基结构和功能的定量见解.
• 能够实现跨技术集成,用于空间多领域数据分析.