通过在空间奥米克数据中识别持久的局部模式来学习组织表示

科学领域:

• 计算生物学是一种计算生物学.
• 空间转录组学 空间转录组学
• 生物医学数据分析

背景情况:

• 空间奥米克数据为组织异质性提供了分子和结构洞察力.
• 分析空间数据可以通过将临床数据与组织特征联系起来来增强患者分层.

研究的目的:

• 介绍Kasumi,一种用于识别细胞内和细胞间关系的持久的,空间局部化的邻里模式的新方法.
• 展示卡苏米在翻译任务中的实用性,特别是基于疾病进展和治疗反应的癌症患者分层.

主要方法:

• 开发了Kasumi来检测跨样本和条件的持久空间模式.
• 卡苏米应用到来自不同实验平台的空间奥米克数据.
• 对卡苏米的表现与患者分层的相关方法进行了评估.

主要成果:

• 卡苏米有效地代表了基于已识别的空间模式的组织.
• 该方法在分层癌症患者的现有方法中表现优于现有的方法.
• 卡苏米为细胞类型或标记水平的空间协调和关系提供了解释.
• 确定持久模式的大小各不相同,局部关系与糟糕的结果相关.

结论:

• 卡苏米提供了一种强大的方法来分析空间奥米克数据并识别临床相关的组织模式.
• 发现的空间关系,即使局部化,对于预测患者的结果至关重要.
• 卡苏米通过为改善临床应用提供精细的组织表示来促进翻译性研究.