DGAT:一个双图的注意网络,用于从转录组学推断空间蛋白质景观
Haoyu Wang1, Brittany Cody2, Hatice Ulku Osmanbeyoglu1
1Department of Biomedical Informatics, University of Pittsburgh School of Medicine, Pittsburgh, PA, USA.
bioRxiv : the preprint server for biology
|July 17, 2025
概括
我们开发了DGAT,这是一种深度学习工具,可以从空间转录组学数据中预测蛋白质水平. 这种方法通过揭示以前仅在转录学研究中隐藏的蛋白质表达模式,提高了对细胞功能和组织组织的理解.
科学领域:
- 空间奥米克斯 空间奥米克斯
- 计算生物学是一种计算生物学.
- 生物技术是生物技术.
背景情况:
- 空间转录组学 (ST) 在组织背景下提供全基因组的mRNA配置文件.
- ST缺乏对细胞功能和微环境解释至关重要的直接蛋白质水平测量.
研究的目的:
- 开发一个深度学习框架,DGAT (双图谱注意网络),用于从仅转录组学ST数据中赋值空间蛋白质表达.
- 为了利用从空间CITE-seq数据集中学到的RNA-蛋白质关系来准确地归纳蛋白质.
主要方法:
- DGAT构建异质图形,整合了转录基因,蛋白质基因和空间信息.
- 图表注意网络编码集成数据,任务特定的解码器重建mRNA并从共享的潜伏表示中预测蛋白质丰度.
主要成果:
- 与现有方法相比,DGAT在各种数据集 (桃体,乳腺癌,质母细胞瘤,恶性间皮瘤) 中显示出更高的蛋白质归因准确性.
- 对ST数据集的应用揭示了空间上不同的细胞状态,免疫表型和组织架构,仅从转录组学来看是不明显的.
结论:
- 通过DGAT,可以从转录组学单独的空间组学数据中获得蛋白质组级的洞察力.
- 这种方法弥合了空间空间学的关键差距,增强了癌症,免疫学和精密医学中的功能解释.
