.png){kind=icon}
.png){kind=icon}
返回
Identifying batch-integrated domains from spatial transcriptomics via graph autoencoder with contrastive learning based on cross-modality and data augmentation
.png){kind=icon}
OA
AI
DOI：10.1093/bib/bbag248.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间分辨转录组学（SRT）能够在保留空间背景的同时实现基因表达的全面表征，推动了组织结构的研究。然而，现有的计算方法仍存在关键局限性，特别是对组织学信息的利用不足以及缺乏用于生物分析的跨模态有意义的对比策略。为克服这些挑战，我们提出了GCAST，一种用于空间转录组学的图对比自编码器框架，可无缝整合多模态SRT数据。GCAST采用自监督策略，在存在组织学图像时可直接从中提取具有生物学意义的表征。GCAST基于数据增强构建双图视图，并引入了一种新型对比学习设计，旨在利用组织学权重和基因权重特征，提高生物可解释性。此外，GCAST采用分块对角图构建方法，可自动对齐多个数据集，实现无需人工干预的批次效应校正。该框架不仅能捕获空间基因表达模式以识别组织区域，还能适应有无组织学图像的数据集，并支持多数据集的联合分析。总体而言，GCAST提供了一个统一且具有生物学指导意义的框架，有望促进空间转录组学的深入分析。
Keyword:
Spatially resolved transcriptomics
Graph contrastive autoencoder
Histology integration
Batch-effect correction
Data augmentation