.png){kind=icon}
返回
Deep Learning-Based Quality Control Using Subcellular RNA Spatial Distribution Patterns for Cell Segmentation in Spatial Transcriptomics Data
.png){kind=icon}
PRE
AI
DOI：10.1002/smtd.202500885.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于高通量测序的空间转录组学（sST）技术能够以亚细胞分辨率在整个转录组范围内捕获RNA。尽管针对sST数据的新细胞分割方法不断被开发，但将RNA位点精确分配至对应细胞仍存在显著挑战，且缺乏质量控制方法。本研究引入一种用于细胞分割质量控制和分割结果优化的深度学习方法。所提出的方法利用深度神经网络挖掘不同类型RNA的亚细胞空间分布模式，以评估分割细胞的质控水平。该方法可识别因RNA捕获量低或RNA强扩散导致的分割不完整细胞，以及因细胞密度高而导致的细胞合并现象。此外，该质量控制方法与基于Transformer的细胞分割方法结合，结果表明通过自动剔除训练数据集中低质量的分割细胞，细胞分割性能得到提升。该方法应用于合成数据及真实Stereo-seq数据，展示了其在sST数据中用于细胞分割质量控制和优化的潜力。
Keyword:
cell segmentation
quality control
subcellular RNA spatial distribution
spatial transcriptomics
期刊
IF:
9.1
论文数:
4.3K
被引数:
2.2W
机构
引用论文
分享收藏分享收藏分享收藏分享收藏Slide-seq: A scalable technology for measuring genome-wide expression at high spatial resolutionSlide-seq: 一种用于以高空间分辨率测量全基因组表达的可扩展技术.png)
Science
OAAI
ScienceIF0
OAAI分享收藏Spatiotemporal transcriptomic atlas of mouse organogenesis using DNA nanoball-patterned arrays使用DNA纳米球模式阵列的小鼠器官发生的时空转录组图谱CellOAAI
CellIF0
OAAI分享收藏SCS: cell segmentation for high-resolution spatial transcriptomicsSCS: 高分辨率空间转录组学的细胞分割NATURE METHODS
OAAI
NATURE METHODSIF32.1
OAAI分享收藏分享收藏
查看更多内容