STAD-CoAtt:在评估神经病理阶段时使用脑转录学数据的空间时间表现的演变基因图的整合

科学领域:

• 神经科学
• 计算生物学
• 基因组学

背景情况:

• 单核RNA测序 (snRNA-seq) 提供了有关阿尔茨海默病 (AD) 等神经系统疾病的见解.
• 传统的深度学习方法往往忽视基因网络中的图形特征,限制了AD进展的分析.
• 阿尔茨海默病基因调控网络 (AD-GRNs) 包含了解疾病机制的关键结构信息.

研究的目的:

• 开发一种新的深度学习框架,用于分析神经疾病中的snRNA-seq数据.
• 将AD特异性基因网络的图形特征与转录组数据集成,以增强疾病建模.
• 通过利用时空图学习来探索AD中的异常调节机制.

主要方法:

• 一个名为STAD-CoAtt的时空图形卷积网络 (ST-GCN) 架构的开发.
• 整合一个共同注意网络来压缩不断发展的AD-GRNs并捕获紧的图形表示.
• 整合非线性多元格对齐 (NMA) 融合块以结合时间和图形特征,创建联合隐藏表示.

主要成果:

• 使用ROSMAP和GSE数据集,STAD-CoAtt方法在评估神经病理阶段和认知功能障碍方面表现出卓越的表现.
• 实验结果证实了AD分析时整合时间和图表特征的有效性.
• 与最先进的 (SOTA) 方法相比,该方法在AD分类任务中取得了更高的准确性.

结论:

• 拟议的STAD-CoAtt方法有效地利用snRNA-seq数据的图形特征来增强对神经系统疾病的理解.
• 整合时空图学习与共同注意力机制为分析复杂的疾病特异性基因网络提供了强大的方法.
• 这项研究突显了基于图形的深度学习在促进AD研究和分类方面的潜力.