.png){kind=icon}
返回
Benchmarking sketching methods on spatial transcriptomics data
.png){kind=icon}
PRE
AI
DOI：10.1093/nar/gkag434.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高通量空间转录组学（ST）现可每切片表征数十万至数百万个细胞或位置，为常规分析带来计算瓶颈。抽样（或智能子采样）通过选择小型代表性子集解决规模问题。尽管对单细胞RNA测序数据有效，现有抽样方法（优化表达空间覆盖但忽略物理位置）在应用于ST数据时可能引入空间偏差。为探究抽样对ST分析的影响，我们在多个真实ST数据集（小鼠卵巢、MERFISH脑、人乳腺癌、肺）和模拟数据上，使用主成分分析（PCA）嵌入、空间坐标和空间平滑嵌入三种输入表示，系统性地比较了均匀采样、杠杆分数采样、Geosketch（极小极大/豪斯多夫）和scSampler（极大极小）等方法。结果表明，仅基于表达的设计能捕获全局转录组异质性，但通过过度采样高变异性区域和欠采样均质区域而扭曲组织架构；仅基于坐标的采样虽恢复组织覆盖，却遗漏转录极端值。一种简单的空间感知扩展方法（基于空间权重矩阵平滑的随机奇异值分解基础计算杠杆分数）取得了良好平衡，在恢复稀有细胞状态的同时保持均匀组织覆盖并避免边缘效应。在豪斯多夫距离、聚类稳定性（调整兰德指数）、PCA载荷漂移及局部细胞类型均方误差（MSE）等指标上，空间平滑杠杆分数方法表现与优于其他方法。这些结果为联合空间-转录组学抽样目标提供了依据，以实现快速、无偏的分析日益庞大的ST数据集。
Keyword:
Spatial transcriptomics
Sketching methods
Spatial bias
Leverage scores
Data sampling
期刊
IF:
13.1
论文数:
3.6W
被引数:
36.5W
机构
引用论文
Super-samples from Kernel Herding. Proceedings of the Twent-Sixth Conference on Uncertainty in Artificial Intelligence核群算法生成的超样本。第二十六届人工智能不确定性会议论文集.png)
IF0
PREAI
分享收藏分享收藏Randomized Spatial PCA (RASP): A computationally efficient method for dimensionality reduction of high-resolution spatial transcriptomics data随机空间主成分分析（RASP）：一种用于高分辨率空间转录组学数据降维的计算高效方法
PREAI
分享收藏Geometric Sketching Compactly Summarizes the Single-Cell Transcriptomic LandscapeCELL SYSTEMS
OAAI
CELL SYSTEMSIF7.7
OAAI分享收藏Spatiotemporal transcriptome atlas reveals the regional specification of the developing human brainCellOAAI
CellIF0
OAAI分享收藏High resolution mapping of the breast cancer tumor microenvironment using integrated single cell, spatial and in situ analysis of FFPE tissue使用整合的单细胞、空间和原位分析对FFPE组织进行乳腺癌肿瘤微环境的高分辨率绘制
IF0
PREAI
分享收藏
查看更多内容