STORM: spatial transcriptomics optimization by resolution via matrix factorization

doi:10.1093/bib/bbag324

STORM: spatial transcriptomics optimization by resolution via matrix factorization

2026-06-22

0

OA

AI

DOI：10.1093/bib/bbag324

原文链接

原文求助

摘要

En 中文

经典RNA测序将细胞与其原生组织结构分离，丢弃了在发育、稳态和癌症中决定转录程序的关键空间信息。然而，当前的ST平台由于技术限制和组织变异性，常产生不完整和噪声的谱图。这些限制模糊了具有生物学意义的空间模式，并阻碍了下游解释。在此，我们介绍了STORM（通过矩阵分解实现分辨率的时空转录组学优化），一种机器学习框架，可在严重稀疏条件下提高空间转录组学数据的保真度。STORM将空间转录组学恢复表述为低秩张量分解问题，并通过规范的正则化策略整合多模态生物学先验。具体而言，该模型联合捕获空间连续性、由全视野组织学图像衍生的组织形态，以及由蛋白质-蛋白质相互作用网络启发的基因-基因相互作用结构。该方法能够在未观测位置实现准确重建，同时保留具有生物学意义的空间结构。在包括健康和恶性样本在内的多样化肺组织谱图中，STORM在恢复空间基因表达模式方面始终优于现有最先进方法，即使大多数空间测量缺失时也保持稳健。通过将生物学结构显式嵌入重建过程，STORM为实验数据稀疏或不完整场景下的高分辨率空间转录组学分析提供了可靠基础。可用性：本研究开发的原代码公开可访问于https://github.com/denizgurarslan/STORM。

STORM: spatial transcriptomics optimization by resolution via matrix factorization

摘要

期刊

机构

引用论文