多种多重体融合的过度图形网络通过帕雷托优化平衡,用于识别空间转录学空间域的空间域.
Ying Li1, Qifeng Hu1, Siyu Han2
1Key Laboratory of Symbol Computation and Knowledge Engineering of Ministry of Education, College of Computer Science and Technology, Jilin University, Qianjin Street 2699, Changchun 130012, Jilin, China.
Briefings in bioinformatics
|April 12, 2025
概括
本研究介绍了MManiST,这是一种用于空间转录学的新型计算方法,它使用多种多样图形网络来识别空间域. MManiST有效地捕捉复杂的拓结构,优于基因表达分析中的现有方法.
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:
- 空间转录学使得在组织背景下进行基因表达分析.
- 图形神经网络正在为空间转录学数据出现.
- 现有的方法往往忽略了数据多元体中的复杂拓结构.
研究的目的:
- 开发一种先进的计算方法,用于识别空间转录数据中的空间域.
- 为了利用多种多样性的学习和超标几何学来增强拓特征提取.
- 提高基因表达研究中的空间域识别的准确性和全面性.
主要方法:
- 开发了使用超标神经网络的多种多样编码器.
- 通过注意力机制,从不同的分流体中集成的特征.
- 采用帕雷托优化来平衡多个重建损失.
主要成果:
- 在基准数据集上,MManiST的表现始终优于七种最先进的方法.
- 废弃实验验证了单个组件和融合策略的有效性.
- 该方法通过利用更深层次的拓结构成功识别了空间域.
结论:
- 在空间转录学中,MManiST为空间域识别提供了一种卓越的方法.
- 超标几何学和多重学习的整合增强了拓分析.
- 这种方法通过改进的空间域表征,更深入地了解基因表达的病原性.


