ST-GCP:一个图形卷积网络模型,具有对比一致性和空间转录组学的 permutation

科学领域:

• 计算生物学是一种计算生物学.
• 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 (STs) 技术通过保存基因表达和空间数据,为组织组织提供了无与伦比的见解.
• 现有的计算方法往往忽视空间信息,导致数据表示有限和次优集群.
• 需要先进的计算框架来充分利用ST数据的全部潜力.

研究的目的:

• 引入ST-GCP,这是一个自主监督的图表表示学习框架,旨在用于空间转录学数据.
• 开发一种有效整合空间拓和基因表达特征的方法.
• 改进组织内复杂生物模式的分析.

主要方法:

• ST-GCP采用结构特征扰动机制,通过基因表达变换和空间网络边缘丢失创建两个增强图形视图.
• 两层图形卷积网络 (GCN) 编码解码器用于提取空间表示和重建基因表达.
• 一个基于等号相似性的对比对象对准了视图特定的表示,优化了重建和对比一致性.

主要成果:

• 在一个共享的低维空间中,ST-GCP成功地将图形拓与转录组形状结合在一起.
• 实验结果表明,该框架能够在多个ST数据集中发现生物学上有意义的模式.
• 确定的模式包括瘤异质性,大脑发育架构和细胞发育轨迹.

结论:

• ST-GCP提供了一种强大的自我监督方法,用于空间转录学数据分析.
• 该框架有效地整合了空间和基因表达信息,以获得更深入的生物学见解.
• ST-GCP促进了组织组织和细胞动态的探索.