ConMGIN: Interpretable multilayer GIN-Bayesian framework for spatial domain analysis

Jie Li

doi:10.1016/j.neunet.2026.109155

ConMGIN: Interpretable multilayer GIN-Bayesian framework for spatial domain analysis

2026-05-01

0

PRE

AI

DOI：10.1016/j.neunet.2026.109155

原文链接

原文求助

摘要

En 中文

准确识别空间域对于生物信息工程领域中的空间转录组学处理至关重要。然而，现有方法主要关注空间信息的相似性，而忽略了不同空间位置上基因表达和组织结构的差异，即空间异质性信息。为解决此问题，本文提出ConMGIN模型，该模型基于图同构网络（GIN）构建的图表示学习模型。ConMGIN将GIN与混合贝叶斯网络结合，并创新性地引入基于切比雪夫距离的图构建方法，该方法强调最大坐标偏差以形成更稳健的邻域连接，从而增强边界清晰度并改善异质性组织结构中的域分离。这有助于更有效地建模空间异质性和局部关系。进一步的解释性分析表明，ConMGIN在跨切片聚类和空间轨迹分析方面表现优异，特别是在识别空间层次结构和捕捉跨切片的结构相似性方面。此外，对误分类案例的分析显示，ConMGIN在处理复杂空间结构时仍能保持高精度和一致性。在多个不同平台和空间分辨率的转录组学数据集上进行的大量实验表明，与基线方法相比，ConMGIN的调整兰德指数（ARI）提升0.03-0.42，归一化互信息（NMI）提升0.03-0.17，显示出强大的泛化能力和广泛的适用性。

Keyword:

Spatial transcriptomics

Graph representation learning

Graph contrastive learning

hybrid Bayesian networks

Self-attention mechanism

interpretability

ConMGIN: Interpretable multilayer GIN-Bayesian framework for spatial domain analysis

摘要

期刊

机构

引用论文