.png){kind=icon}
返回
Spatially Regularized Gaussian Mixtures for Clustering Spatial Transcriptomic Data
.png){kind=icon}
OA
AI
DOI：10.1007/s00357-025-09527-0.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间转录组学在保持组织样本空间结构的同时测量数千个基因的表达。这类技术使得对基因表达的空间变异及其对特定生物过程的影响进行研究成为可能。识别具有相似表达谱的基因至关重要，这促使开发利用空间数据结构对基因进行聚类的灵活方法。本文提出了一种基于高斯过程的建模框架，用于对在多个空间位置上测量的观测值进行聚类。我们并非将协方差核指定为空间结构的函数，而是利用其信息对精度矩阵进行广义Cholesky分解。这种方法避免了核误设问题，并有助于估计非平稳的空间协方差结构。将该模型应用于空间转录组学数据后，可识别出具有独特空间相关模式的基因簇，这些模式跨越包含不同细胞类型（如肿瘤和基质区域）的组织区域。
Keyword:
Generalized Cholesky decomposition
Prostate cancer
Spatial data
Vecchia approximation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
1.9
论文数:
36
被引数:
2.2K
机构
引用论文
Identification of spatial expression trends in single-cell gene expression data单细胞基因表达数据中空间表达趋势的识别.png)
NATURE METHODSOAAI
NATURE METHODSIF32.1
OAAI分享收藏Differential modulation of the androgen receptor for prostate cancer therapy depends on the DNA response elementNUCLEIC ACIDS RESEARCHOAAI
NUCLEIC ACIDS RESEARCHIF13.1
OAAI分享收藏
查看更多内容