.png){kind=icon}
返回
DiSCO: deconvoluting spatial transcriptomics via combinatorial optimization with a foundational diffusion model
.png){kind=icon}
OA
AI
DOI：10.1093/bib/bbag207.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过空间转录组学（ST）数据解析空间斑点的细胞组成对于阐明组织空间结构的异质性至关重要。然而，现有模型通常需要针对每个新的解卷积任务重新训练，这反映了其在泛化性能和计算效率方面的局限性。为解决此问题，我们设计了一种基于组合优化的基础扩散模型，用于空间转录组学解卷积，称为DiSCO。DiSCO将ST数据的解卷积表述为任务特定的解卷积组合优化（CO）问题，其中单细胞（SCs）被分配到空间斑点以最优地保留每个斑点的基因表达谱。DiSCO引入了一种二分图扩散模型作为优化求解器，专门设计为可泛化到任何新的解卷积CO问题。通过使用单细胞和空间斑点的基因表达谱作为输入，在大量解卷积任务上进行预训练后，DiSCO学习真实解的分布并通过采样生成近似解，从而能够确定每个斑点的细胞组成。作为一种可泛化的解卷积求解器，DiSCO通过在模拟数据集和真实数据集上的实验进行评估，结果表明预训练的DiSCO模型在具有不同分辨率和不同基因数量的数据集上表现出有效性和高效性，从而突显了其有效泛化到多样化数据集的能力。
Keyword:
Spatial transcriptomics
Combinatorial optimization
Diffusion model
Cell composition
Deconvolution