返回
HyperDiffuseNet: A Deep Hyperbolic Manifold Learning Method for Dimensionality Reduction in Spatial Transcriptomics
DOI:10.1177/15578666251377097.png)
摘要
En 中文
空间转录组学(ST)揭示了组织结构,但由于高维性和复杂的空间层次结构,带来了分析挑战,这些结构常被基于欧氏距离的降维方法所扭曲。本文介绍了HyperDiffuseNet,一种用于ST数据表示的深度几何学习框架。HyperDiffuseNet利用具有双曲潜在空间的自编码器有效捕获层次关系,并通过在空间图上采用图卷积网络学习多尺度依赖性来整合空间上下文,这些依赖性用于计算扩散矩阵。该图导出的扩散信息通过在ambient Minkowski空间中的线性混合高效地融入双曲嵌入中。该模型使用负二项重建损失,并通过平衡重建保真度、Kullback-Leibler散度正则化、注意力加权空间正则化、扩散一致性和局部结构保持的复合目标函数进行优化。在多个ST数据集上的实证评估表明,HyperDiffuseNet实现了有竞争力的聚类性能。双曲嵌入方法在大多数测试数据集的轮廓系数和调整兰德指数指标上显示出显著改进,同时在结构保持方面保持相当的性能。
Keyword:
dimensionality reduction
hyperbolic geometry
Minkowski space
spatial transcriptomics
variational autoencoder
期刊
J
IF:
1.6
论文数:
54
被引数:
5.1K
机构
暂无机构信息
引用论文
Identifying temporal and spatial patterns of variation from multimodal data using MEFISTO使用MEFISTO从多模态数据中识别变化的时空模式
NATURE METHODS
IF32.1
Exploring single-cell data with deep multitasking neural networks利用深度多任务神经网络探索单细胞数据
NATURE METHODS
IF32.1
The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells单细胞的假时间顺序揭示了细胞命运决定的动力学和调节剂
NATURE BIOTECHNOLOGY
IF41.7
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
Science
IF0
Spatially aware dimension reduction for spatial transcriptomics空间转录组学的空间感知降维
NATURE COMMUNICATIONS
IF15.7
spatialLIBD: an R/Bioconductor package to visualize spatially-resolved transcriptomics dataspatialLIBD: 一个R/Bioconductor软件包,用于可视化空间分辨的转录组学数据
BMC GENOMICS
IF3.7
Interpretable dimensionality reduction of single cell transcriptome data with deep generative models
NATURE COMMUNICATIONS
IF15.7
Complex hierarchical structures in single-cell genomics data unveiled by deep hyperbolic manifold learning
GENOME RESEARCH
IF5.5

