空间频率:一种深度学习框架,用于通过空间转录学来解码生物体内的细胞和组织景观
Zhenghui Wang1, Ruoyan Dai1, Mengqiu Wang1
1Academy of Artificial Intelligence, Beijing Institute of Petrochemical Technology, Beijing, 102617, China.
Interdisciplinary sciences, computational life sciences
|March 6, 2026
概括
SpatioFreq通过识别功能性组织区域和细胞类型来增强空间转录学. 这种新的方法提高了空间结构建模和精密瘤应用的准确性.
科学领域:
- 基因组学就是基因组学.
- 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:
- 传统的空间转录学方法难以捕捉空间数据中的复杂结构.
- 准确的空间组织和细胞类型解对于理解组织微环境至关重要.
研究的目的:
- 介绍SpatioFreq,这是一个新的空间转录组学分析方法.
- 改进空间域识别和细胞类型解卷.
- 增强组织中的空间结构和细胞分布的建模.
主要方法:
- SpatioFreq采用双任务设计,用于空间域识别和细胞类型解卷.
- 使用Laplacian矩阵提取频率域特征用于空间聚类.
- 图表自我监督的对比学习被用来建模长距离的依赖关系和完善细胞类型分布.
主要成果:
- 与现有的方法相比,SpatioFreq显著提高了空间转录学分析的准确性和效率.
- 该方法有效地识别了具有生物意义的功能区域,并增强了空间结构建模.
- 对DCIS乳腺癌数据集的分析揭示了复杂的瘤微环境相互作用.
结论:
- SpatioFreq提供了一种强大的新工具,用于分析空间转录学数据.
- 该方法为组织空间组织和细胞异质性提供了更深入的见解.
- 这些发现支持潜在的治疗点的识别和先进的精确瘤学.
