.png){kind=icon}
返回
Denoising spatial epigenomic data via deep matrix factorization
.png){kind=icon}
PRE
AI
DOI：10.1038/s43588-025-00941-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间表观基因组学（SE）技术对完整组织内的表观基因组景观进行表征，保留空间信息并实现基因调控机制的原位研究。然而，当前的SE数据集通常存在信号检测低、噪声显著以及峰值矩阵极度稀疏等问题，这给下游分析带来了重大挑战。本研究介绍了一种名为SPEED（空间表观基因组数据去噪）的深度矩阵分解框架，该框架利用图谱水平的单细胞表观基因组数据和空间信息对SE数据进行插补和去噪。在模拟数据和真实SE组织数据集的全面评估中，SPEED在多种组织和技术的对比中优于五种当前最先进的方法。此外，SPEED的去噪输出促进了下游分析，例如染色质可及性差异分析、表观基因组空间域识别和基因活性推断。综合来看，我们的结果表明SPEED是一种通用的工具，可提升SE数据的质量和生物学洞察力。SE数据存在高度稀疏性问题。作者提出SPEED，一种深度矩阵分解框架，利用图谱水平的单细胞表观基因组数据进行SE数据去噪，展示了其在SE分析中具有前景的工具潜力。
Keyword:
Spatial epigenomics
Deep matrix factorization
Data denoising
Chromatin accessibility
Single-cell epigenomics
期刊
IF:
18.3
论文数:
3.1K
被引数:
4.0K
机构
引用论文
Slide-tags enables single-nucleus barcoding for multimodal spatial genomicsSlide-tags实现了多模态空间基因组学的单核条形码.png)
Nature
OAAI
NatureIF0
OAAI分享收藏分享收藏scBasset: sequence-based modeling of single-cell ATAC-seq using convolutional neural networksNATURE METHODS
OAAI
NATURE METHODSIF32.1
OAAI分享收藏分享收藏Spatial epigenome–transcriptome co-profiling of mammalian tissues哺乳动物组织的空间表观基因组-转录组共谱分析NatureOAAI
NatureIF0
OAAI分享收藏分享收藏
查看更多内容