扩散ST:基于深度生成扩散模型的框架,用于提高空间转录学数据质量和识别空间域

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) 技术产生了大量的数据集,但数据质量往往受到当前测序方法的限制.
• 现有的方法在ST数据中与噪声和归算作斗争,阻碍了下游分析.
• 精确分析ST数据对于理解组织结构和细胞功能至关重要.

研究的目的:

• 开发和验证DiffusionST,一种用于赋值和聚类ST数据的新型计算方法.
• 提高ST数据分析的准确性和稳定性,特别是在有噪音的情况下.
• 证明DiffusionST在剖析空间领域的实用性,并从高分辨率的ST数据中提供生物学见解.

主要方法:

• 扩散ST使用图形卷积网络,具有新的损失函数用于数据无声化.
• 该方法采用扩散模型来增强数据,并采用零膨胀负二项式分布来减少噪音.
• 对已建立的ST聚类和单细胞RNA测序归算算法进行了性能评估.

主要成果:

• 在精度方面,DiffusionST显著优于八个领先的ST集群算法.
• 该方法与五种单细胞RNA测序输入算法相比,显示出优越的数据输入能力.
• 扩散ST证明了对噪声的稳定性,并有效地提高了通过人工噪声引入验证的ST数据质量.
• 该模型成功地使用生存分析和细胞间通信研究来剖析乳腺癌组织中的空间域.

结论:

• 扩散ST是一个强大的工具,用于赋值和聚类杂的ST数据,提高整体数据质量.
• 该方法非常适合高分辨率的ST数据,并为组织组织和功能提供了有价值的见解.
• DiffusionST为ST数据分析提供了强大的解决方案,推动了基因组学和计算生物学方面的研究.