将空间转录组学和代谢组学的交叉样本和交叉模式数据与 SpatialMETA 集成在一起

科学领域:

• 多学科和计算生物学.
• 癌症研究和免疫治疗.
• 组织微环境分析分析

背景情况:

• 同时的空间转录学 (ST) 和空间代谢学 (SM) 分析对于理解组织微环境和识别癌症免疫治疗点至关重要.
• 整合ST和SM数据存在挑战,因为特征分布,空间形态和分辨率不同.
• 交叉样本集成对于确定空间共识至关重要,但经常受到批量效应的阻碍.

研究的目的:

• 引入 SpatialMETA,一种基于条件变异自编码器 (CVAE) 的新型框架,用于整合空间转录组学和空间代谢组学数据.
• 解决跨模式和跨样本整合的挑战,包括模式融合,批量效应校正和生物数据保存.
• 为了能够对空间相关的ST-SM模式进行可解释的分析,并促进下游生物发现.

主要方法:

• 开发SpatialMETA,一个针对ST和SM数据集成的CVAE框架.
• 实施专门的解码器和损失函数,用于增强模式融合和批量效应校正.
• 利用框架来识别癌症中具有明显代谢特征的免疫空间集群.

主要成果:

• 与现有工具相比,SpatialMETA成功地集成了ST和SM数据,证明了优越的重建能力和融合模式表示.
• 该框架准确地捕捉了ST和SM数据的特征分布.
• 在癌症微环境中识别具有独特代谢配置的免疫空间集群,提供新的生物学见解.

结论:

• 空间META为推进空间多学科研究提供了一个强大的平台.
• 该框架增强了对组织微环境中的代谢异质性的理解.
• 空间META通过整合多模式空间数据,促进发现癌症免疫治疗的潜在治疗点.