GCNLA:从空间转录学推断细胞与细胞的相互作用,使用长期短期记忆和图形卷积网络

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 细胞与细胞之间的沟通对于生理恒温和复杂的生物过程至关重要.
• 目前用于识别细胞与细胞相互作用的现有方法仅依靠邻近细胞的基因表达和空间数据而受到限制.
• 空间转录学为研究各种生物组织提供了先进的工具.

研究的目的:

• 开发一种新的网络架构,GCNLA (图形卷积网络和长期短期记忆注意模块),用于增强细胞与细胞相互作用推断.
• 为了捕捉空间结构和远处细胞之间的相互作用,克服当前方法的局限性.
• 重建完整的细胞-细胞相互作用网络,并使下游分析,如细胞聚类.

主要方法:

• 拟议的GCNLA架构集成图形卷积,长短期记忆和注意力模块与剩余连接.
• 利用内产品解码与共弦相似性来推断细胞与细胞的相互作用.
• 将GCNLA应用于seqFISH和MERFISH数据集进行验证.

主要成果:

• GCNLA有效地学习空间细胞结构,并捕获远端细胞之间的相互作用信息.
• 注意模块增强了细胞相互作用特征的提取.
• 实验结果表明,与现有方法相比,GCNLA的强度和噪声免疫性优越.
• GCNLA成功地重建了完整的细胞相互作用网络.

结论:

• GCNLA提供了一种强大而有效的方法,可以从空间转录组学数据中推断细胞与细胞之间的相互作用.
• 该模型能够捕捉远程交互和重建网络的能力在该领域取得了进展.
• 从GCNLA学到的特征有助于下游分析,包括空间细胞聚类和解决细胞异质性.