SpaMWGDA:使用多视图加权融合图卷积网络和数据增强来识别空间转录组的空间域

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 (ST) 整合了基因表达与细胞空间信息.
• 深度学习 (DL) 方法已经在ST中进行了先进的空间域识别.
• 现有的DL方法在利用邻里信息和整合基因表达数据方面存在局限性.

研究的目的:

• 为了解决当前基于DL的ST分析方法的局限性.
• 提出一个新的DL模型,SpaMWGDA,用于增强空间域识别.
• 改进基因表达和空间信息的整合,以便更好地进行组织分析.

主要方法:

• 开发了SpaMWGDA,一种使用多视图加权融合图卷积网络 (GCN) 和数据增强的DL模型.
• 用各种相似度指标建模空间信息,以捕获全面的社区数据.
• 在关键基因表达学习中使用数据增强和对比学习.
• 使用多视图GCN编码器和视图级别的注意力来实现自适应功能集成.

主要成果:

• 与现有的方法相比,SpaMWGDA在空间域识别方面表现优越.
• 该模型实现了改进的轨迹推断能力.
• SpaMWGDA有效地分析了组织结构和功能,突出了其分析能力.

结论:

• SpaMWGDA在空间转录组学分析方面取得了重大进展.
• 该模型能够整合多视图数据并学习关键特征的能力增强了生物洞察力.
• SpaMWGDA为了解组织组织和细胞相互作用提供了一个强大的工具.