使用DenoIST去除基于图像的空间转录组学数据

科学领域:

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

背景情况:

• 基于图像的空间转录学 (IST) 提供组织内的高分辨率基因表达数据.
• 在IST中不完善的细胞细分导致基因表达特征的交叉污染.
• 这种污染会掩盖真正的生物信号,并使下游分析复杂化.

研究的目的:

• 开发一个计算工具,DenoIST,用于准确识别和删除IST数据中污染的转录.
• 提高IST技术产生的基因表达数据的特异性和可解释性.
• 改善细胞类型注释和生物结构分辨率在空间转录学.

主要方法:

• DenoIST采用波桑混合模型来捕获当地的邻里污染.
• 该模型明确考虑了邻近细胞之间的转录溢出.
• 该工具在多个现实世界IST数据集上进行了验证,其细胞密度各不相同.

主要成果:

• DenoIST有效地识别和删除污染的转录,恢复基因表达特异性.
• 通过过虚假信号,被拒绝的数据揭示了更清晰的本地生物结构.
• 细胞类型的注释变得更加一致和可解释,减少模两可的细胞形状.

结论:

• DenoIST显著提高了IST数据的生物解释性和稳定性.
• 该工具可以无地集成到现有的IST分析工作流程中.
• 通过减轻交叉污染,DenoIST提高了用于生物发现的空间转录学的可靠性.