Multi-view masked graph representation learning with semantic alignment for spatial multi-omics clustering

doi:10.1016/j.patcog.2026.114316

Multi-view masked graph representation learning with semantic alignment for spatial multi-omics clustering

2026-07-01

0

PRE

AI

DOI：10.1016/j.patcog.2026.114316

原文链接

原文求助

摘要

En 中文

空间组学的最新进展，结合联合空间转录组学和蛋白质组学分析，为探究组织结构和细胞异质性创造了前所未有的机会。然而，空间多组学数据的稳健聚类仍具挑战性，这源于显著的跨模态异质性、普遍的技术噪声以及可靠先验注释的缺乏。为应对这些挑战，我们提出了SpaMCA（空间多模态聚类分析），一种多视角掩码图神经网络框架。SpaMCA通过多视角掩码图自编码器执行模态特异性表示学习，该自编码器联合建模空间邻域图和特征相似性图，从而增强对噪声的鲁棒性并保留局部空间结构。在每种模态内部，SpaMCA采用基于注意力机制的方法融合空间和特征视图。为捕捉异质模态间的共享生物学信号，SpaMCA进一步引入跨模态对比对齐，随后通过多层感知器将互补信息整合到统一的潜在表示中。最后，在聚类层面整合模态语义分布对齐模块，以动态地将模态特定和融合的表示对齐至高置信度目标分布。我们在七个空间多组学数据集上评估了SpaMCA，包括六个真实数据集和一个模拟基准，并与十种前沿的单组学和多组学聚类方法进行比较。实验结果和消融研究证明，SpaMCA在聚类精度、噪声鲁棒性以及对异质组学模态的有效整合方面均显著优于现有方法。我们的源代码可在https://github.com/wenwenmin/SpaMCA获取。

Keyword:

Spatial multi-omics

Graph neural networks

Multi-view learning

Masked graph autoencoder

Spatial domain clustering

Bioinformatics

Multi-view masked graph representation learning with semantic alignment for spatial multi-omics clustering

摘要

期刊

机构

引用论文