GraphCellNet:一种用于集成单细胞和空间转录组分析的深度学习方法,在发育和疾病方面具有应用
Ruoyan Dai1, Zhenghui Wang1, Zhiwei Zhang1
1Academy of Artificial Intelligence, Beijing Institute of Petrochemical Technology, Beijing, 102617, China.
Journal of molecular medicine (Berlin, Germany)
|July 21, 2025
概括
GraphCellNet是一个新的深度学习模型,通过准确地绘制细胞类型和空间域来增强空间转录学. 这种方法提高了对组织组织和组织发育的理解,为再生医学提供了新的见解.
科学领域:
- 基因组学和生物信息学
- 系统生物学 系统生物学
- 计算生物学 计算生物学
背景情况:
- 空间转录学 (ST) 将基因表达与组织分析的空间信息相结合.
- 单细胞RNA测序 (scRNA-seq) 有助于ST,但在细胞类型解过程中面临准确性挑战.
- 现有的方法与模糊的细胞边界和高组织异质性作斗争.
研究的目的:
- 开发GraphCellNet,这是一种用于ST数据中准确的细胞类型解卷和空间域识别的新型深度学习模型.
- 加强对非线性基因表达关系和组织内的上下文集成的建模.
- 通过解决细胞边界定义和异质性方面的挑战,提高ST数据的分析精度.
主要方法:
- 提出了GraphCellNet,该模型结合了细胞类型解卷和空间域识别.
- 整合了Kolmogorov-Arnold网络 (KAN) 层,用于增强非线性特征表示.
- 利用基于图的方法进行空间域识别,利用细胞类型的空间关系.
- 通过使用PCC,SSIM,RMSE,JSD和ARI等指标评估绩效.
主要成果:
- 在各种生物系统中,GraphCellNet在细胞类型解和空间域识别方面表现出高精度.
- 确定了高Trem2表达的空间区域,与心肌梗塞中的代谢基因特征有关.
- 在Drosophila发育过程中发现了TWEEDLE基因动态.
- 在人类心脏发育过程中详细的细胞组成和空间组织.
结论:
- GraphCellNet提供了一个强大的深度学习框架,用于分析空间转录组学数据.
- 该KAN层提高了复杂的基因表达模式的建模效率.
- 基于图形的域识别通过考虑空间背景来提高准确性.
- 该框架为组织组织和组织发展提供了宝贵的见解,对再生医学有意义.
