图形神经网络从空间分子配置文件中学习新兴组织特性
Mayar Ali1,2,3, Sabrina Richter1,4, Ali Ertürk2,5
1Institute of Computational Biology, Helmholtz Zentrum München, Neuherberg, Germany.
Nature communications
|September 25, 2025
概括
图形神经网络 (GNN) 分析空间细胞模式用于组织表型预测. 虽然不总是改善简单的分类,GNN揭示复杂的相互作用和免疫模式,帮助组织组织研究.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 病理学 病理学 病理学
背景情况:
- 组织表型源于分子状态和空间细胞组织.
- 空间分子测试为表型预测提供了对组织架构的洞察.
- 图形神经网络 (GNN) 为分析空间蛋白质组学数据提供了一个框架.
研究的目的:
- 应用GNN来使用空间细胞模式对组织表型进行分类.
- 与传统方法相比,评估空间背景对预测性能的影响.
- 探索GNN捕获预后信号和复杂的生物相互作用的能力.
主要方法:
- 利用图形神经网络 (GNN) 整合空间蛋白质组学数据和细胞表达特征.
- 在空间细胞模式上训练模型用于组织表型分类.
- 将GNN性能与使用单细胞或伪细胞组表示的模型进行比较.
主要成果:
- 对于像乳腺癌分级等简单任务,空间上下文并没有显著提高GNN的性能,而不是非空间方法.
- GNNs成功捕获了超出瘤标签的有意义的空间特征和预后信号.
- 在结直肠癌中,GNN确定了瘤级特异性细胞类型相互作用和复杂的免疫透模式.
结论:
- 空间上下文可能并不总是提高较小数据集的分类性能.
- GNN对于表征组织组织和细胞与细胞相互作用是有价值的.
- GNN揭示了传统方法无法检测到的复杂生物模式,为组织表型提供了新的见解.
