基因空间集成:通过深度学习和批量效应缓解来增强空间转录组学分析
Rian Pratama1, Jason Hilton2, J Michael Cherry2
1School of Computer Science and Engineering, Pusan National University, 63 Busandaehak-Ro, Busan, 46241, South Korea.
Bioinformatics (Oxford, England)
|June 13, 2025
概括
基因空间集成 (GSI) 使用深度学习来分析空间转录组学数据,重点关注基因分布. 这种方法有效地整合了多个样本,并消除了批量效应,大大提高了分析工具的性能.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 空间转录学 (ST) 对于将组织组织与细胞功能联系起来至关重要.
- 目前的ST方法主要集中在近距离上,忽视了其他空间信息,如分布.
- 来自不同样本来源和技术的批量效应阻碍了ST数据分析.
研究的目的:
- 开发一种深度学习方法,用于对多个ST数据集的综合分析.
- 专注于基因表达数据的空间分布方面.
- 为了利用单细胞分析工具来增强ST数据的解释.
主要方法:
- 介绍了基因空间集成 (GSI),一种使用表示学习的数据集成管道.
- 采用了自编码网络来提取空间嵌入,并将其集成到基因表达特征空间.
- 开发了一种处理多个ST样本的方法,以最小的数据损失和批量效应去除.
主要成果:
- GSI成功地集成了多个ST样本,提高了分析工具的性能.
- 当使用GSI与Seurat和GraphST一起使用时,观察到集群精度的显著改善.
- 例如,GSI在151673样本中将Seurat集群的ARI得分几乎翻了一番 (0.225到0.405).
- 在样本151672中,GSI改善了GraphST集群的ARI得分,从0.614提高到0.795.
结论:
- 基因分布是ST数据分析的重要空间方面.
- 集成和批量效应去除对于精制的组织特征分析至关重要.
- GSI管道为先进的ST数据解释提供了一个强大的方法.
