.png){kind=icon}
返回
Integrating modularity maximization and contrastive learning for identifying spatial domain from spatial transcriptomics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.129426.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出了一种名为STMACL的新型框架，该框架结合了生成式和对比式学习的优势，能够有效融合基因表达谱和空间上下文，用于空间域识别。
• 我们引入了一个MMC模块，该模块利用模块度最大化作为对比学习的预训练任务来挖掘可靠的嵌入表示，并执行两阶段随机游走策略以捕捉高阶邻近性。
• 我们设计了ICR策略以提高特征的可区分性。此外，构建了一个REC模块，以同时重建原始表达矩阵和空间拓扑结构。该策略确保模型学习到的潜在表示能更好地保留原始输入信息。
• 我们在7个公开的ST数据集上与8种当前最优方法进行了全面比较。实验结果表明，STMACL优于基线方法，并取得了更优异的性能。
Keyword:
STMACL
contrastive learning
gene expression profiles
spatial domain identification
modularity maximization
