.png){kind=icon}
返回
ST-deconv: an accurate deconvolution approach for spatial transcriptome data utilizing self-encoding and contrastive learning
.png){kind=icon}
OA
AI
DOI：10.1093/nargab/lqaf109.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要
单细胞RNA测序（scRNA-seq）显著加深了我们对细胞异质性和细胞类型相互作用的了解，为细胞群体如何适应环境变化提供了见解。然而，其缺乏空间背景限制了细胞间分析。同样，现有的空间转录组学（ST）数据通常缺乏单细胞分辨率，限制了细胞映射。为解决这些局限性，我们引入了ST-deconv，一种基于深度学习的解卷积模型，可整合空间信息。ST-deconv利用对比学习来增强相邻区域的空代表现，改善空间关系推断。它还采用领域对抗网络来提高跨不同数据集的泛化和解卷积性能。此外，ST-deconv能够从单细胞输入生成大规模、高分辨率的空间转录组数据，并带有细胞类型标签，从而促进空间细胞类型组成的推断。在基准测试实验中，ST-deconv优于传统方法，将均方根误差（RMSE）降低了13%至60%，在具有高空间相关性数据集上RMSE低至0.03，在低空间相关性数据集上RMSE为0.07，跨越不同的转录组背景。在重建真实组织结构方面，在鼠嗅觉球（MOB）上达到纯度0.68，在人类胰腺导管腺癌（PDAC）上达到细胞类型相关性0.76。这些进展使ST-deconv成为增强空间转录组学和细胞间相互作用下游分析的有力工具。
期刊
N
IF:
2.8
论文数:
259
被引数:
0
机构
引用论文
分享收藏A clustering-independent method for finding differentially expressed genes in single-cell transcriptome data.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Spatially resolved transcriptomics reveals the architecture of the tumor-microenvironment interface空间分辨转录组学揭示了肿瘤-微环境界面的结构NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏High-throughput single-cell gene-expression profiling with multiplexed error-robust fluorescence in situ hybridization具有多重错误的高通量单细胞基因表达谱-稳健的荧光原位杂交OAAI
OAAI分享收藏High-throughput spatial mapping of single-cell RNA-seq data to tissue of origin单细胞rna-seq数据到原始组织的高通量空间映射NATURE BIOTECHNOLOGYOAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏Cell2location maps fine-grained cell types in spatial transcriptomicsCell2location在空间转录组学中映射细粒度的细胞类型NATURE BIOTECHNOLOGY
NATURE BIOTECHNOLOGYIF41.7
PREAI
分享收藏Transcriptome-scale super-resolved imaging in tissues by RNA seqFISH+通过RNA seqFISH在组织中进行转录组规模的超分辨成像NatureOAAI
NatureIF0
OAAI分享收藏
查看更多内容