组织马赛克:组织表示的自我监督学习使样本中的差异空间转录学能够实现

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 空间转录学使得基因表达在原生组织环境中的测量成为可能.
• 现有的计算方法很难将细胞状态与其微环境联系起来,并将其与样本进行比较.
• 对于分析组织结构及其对细胞功能的影响而言,现有的工具有限.

研究的目的:

• 介绍TissueMosaic,一个自我监督的卷积神经网络,用于发现和表示组织建筑图案.
• 为了研究结构功能关系,将已识别的动机与基因表达联系起来.
• 为了增强空间差异表达分析,并提高检测结构-covarying 基因.

主要方法:

• 开发了TissueMosaic,一个自我监督的卷积神经网络.
• 应用组织马赛克到多样本空间转录基因数据集.
• 在微分表达式分析中利用图案丰富策略来增加信号与噪声比.

主要成果:

• 组织马赛克有效地发现和表示组织建筑图案.
• 该方法成功地将组织图案与基因表达模式联系起来.
• 在下游任务中,TissueMosaic的表现优于基线方法,证明了卓越的表示学习.
• 在空间微分表达式分析中改善了信号噪声比.

结论:

• 组织马赛克为空间转录组学提供了一个新的计算框架.
• 自主监督学习具有很大的潜力,可以促进空间转录学方面的发现.
• 该方法可以更深入地了解组织结构如何影响细胞内在功能.