SegJointGene:通过信息引导的卷积神经网络进行联合细胞细分和空间基因优先排序

科学领域:

• 空间生物学 空间生物学
• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.

背景情况:

• 精确的细胞细分对于空间测序技术来研究组织中的分子组织至关重要.
• 仅基于核染色的细分在密集组织中是不够的,需要整合像基因表达这样的分子数据.
• 整合分子信息用于细分是计算上具有挑战性的.

研究的目的:

• 开发一个深度学习框架,SegJointGene,用于关节细胞细分和空间基因优先级.
• 通过将细胞核图像与空间基因或蛋白质表达数据集成来提高细胞边界检测的准确性.
• 在复杂组织中识别细胞类型特定细分的关键基因.

主要方法:

• 开发了SegJointGene,这是一个使用信息引导卷积神经网络的深度学习框架.
• 集成的基于核的图像与空间基因/蛋白质表达数据.
• 采用了基因优先级和对细分和基因优先级的代改进的计算信息丢弃得分.

主要成果:

• 与现有的方法相比,SegJointGene在将分子信号分配到细胞边界时,在各种空间数据集 (老鼠大脑,人类桃体) 中实现了5-20%的更高准确性.
• 在不同的基因数量和成像分辨率上表现出强大的性能.
• 优先考虑的基因被丰富了与组织组织相关的结构,发育和突触信号通路.

结论:

• SegJointGene有效地整合成像和分子数据,用于空间生物学中准确的细胞细分和基因优先级.
• 该框架通过识别驱动细胞形态和边界的关键基因来增强对空间组织组织的理解.
• 为复杂的空间奥米克数据分析提供了计算效率高和强大的解决方案.