在图形中编码功能边缘,以建模瘤微环境中的空间变化的关系

科学领域:

• 在瘤学瘤学.
• 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:

• 瘤微环境 (TME) 的表征对于理解癌症进展和个性化治疗开发至关重要.
• 跨越分子到组织水平的TME内的空间背景至关重要,但对全面建模具有挑战性.
• 当前的空间建模方法往往是模式特定的,缺乏灵活性.

研究的目的:

• 引入SPIFEE,这是一个灵活的图形深度学习框架,用于在多个生物组织层面上建模TME.
• 加强空间洞察力和跨模式的整合,用于TME分析.
• 改善TME内的细胞,表型和通路相互作用的表征.

主要方法:

• 开发了SPIFEE,一个图形深度学习框架,将空间变化的功能向量编码为图形边缘,并将TME实体表示为节点.
• 将SPIFEE应用于多重免疫光学,H&E基因病理学和空间转录组学数据集.
• 集成图表注意力机制,以识别多尺度的空间相互作用.

主要成果:

• SPIFEE在各种空间奥米克数据集中展示了多功能性,使得TME相互作用的丰富表征成为可能.
• 在SPIFEE中基于函数的边缘表示比现有的空间建模方法提高了性能.
• SPIFEE确定了与疾病状态和患者存活率显著相关的多尺度空间相互作用.

结论:

• SPIFEE提供了一种灵活而强大的基于图形的方法,用于全面的TME建模.
• 该框架增强了空间建模的表示能力,使得TME的更深入的审讯成为可能.
• 通过发现与患者结果相关的关键空间见解,SPIFEE推进了个性化癌症分析.