里曼的度量学习对空间多态学调整的调整

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.
• 空间奥米克斯 空间奥米克斯

背景情况:

• 空间技术现在在单个组织样本中对多个分子层 (例如,转录体,表观体,蛋白质体) 进行分析.
• 整合这些多样化的空间数据集是由于异质的特征空间而面临的重大挑战.
• 现有的方法经常在保持空间和特征信息的同时,与对准任意模式作斗争.

研究的目的:

• 开发一个强大的框架,在不同的模式中对空间多态经济学数据进行对齐.
• 解决当前技术在整合异质空间特征空间方面的局限性.
• 为了使组织结构和细胞相互作用的更全面的分析.

主要方法:

• 介绍了Gromov-Wasserstein (MGW) 多元化,这是一个度量学习框架.
• 利用空间多态数据的产品结构.
• 使用神经场推断特定模式的里曼的回撤指标. 神经场.
• 通过Gromov-Wasserstein最佳运输对齐里曼距离,以实现无超参数的成本.

主要成果:

• MGW成功地调整了来自各种模式的空间数据,包括转录学,代谢学和成像学.
• 在多个数据集上证明了有效性:小鼠胚胎空间时间转录学,结肠直肠癌空间转录学和人体组织空间多组学.
• MGW可以恢复具有生物意义的对应物和空间连贯的组织结构.

结论:

• MGW提供了一种强大而灵活的方法,用于空间多态数据集成.
• 该框架的性能优于现有的基于最佳运输 (OT) 和非OT的方法,用于多式模式的空间对齐.
• MGW有助于深入了解不同生物环境中的组织组织和细胞异质性.