stDyer-image通过形态图像改进了空间解析的转录组和蛋白组的聚类分析
Ke Xu1, Xin Maizie Zhou2, Lu Zhang1
1Department of Computer Science, Hong Kong Baptist University, Kowloon Tong, Hong Kong.
Bioinformatics (Oxford, England)
|February 15, 2026
概括
stDyer-image是一个新的深度学习框架,用于空间空间分析. 它有效地使用形态图像来改进空间解析的转录组学和蛋白质组学数据的聚类.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 对于空间奥米克的深度学习
背景情况:
- 空间解析的转录组学 (SRT) 和蛋白组学 (SRP) 在组织环境中提供基因和蛋白质数据.
- 形态图像经常伴随SRT/SRP数据,但在分析中未得到充分利用.
- 现有的方法很难有效地整合图像数据进行聚类.
研究的目的:
- 开发一个新的深度学习框架,stDyer-image,用于集群SRT和SRP数据集.
- 直接利用形态图像来提高聚类性能.
- 为大规模空间奥米克数据分析提供多功能工具.
主要方法:
- 开发了一个端到端的深度学习框架,stDyer-image.
- 直接链接图像特征到集群标签,灵感来自病理学家的图像解释.
- 在集群管道内进行综合形态图像分析.
主要成果:
- 与最先进的方法相比,stDyer图像显示了优越的集群性能.
- 该框架成功地集成了图像功能,以改进空间omics数据集群.
- 在各种SRT/SRP技术的大型数据集上实现了高性能.
结论:
- stDyer-image提供了一个强大的新方法,用于空间奥米克数据分析.
- 直接利用图像特征可以显著提高聚类精度.
- 该框架具有多功能性,适用于各种空间空间数据集和技术.
