.png){kind=icon}
返回
Toward next-generation machine learning and deep learning for spatial omics
.png){kind=icon}
OA
AI
DOI：10.1093/bib/bbag131.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间组学技术生成跨越转录本、蛋白质、代谢物和脂质的高维、空间解析分子数据，需要能够考虑组织拓扑结构、多尺度组织和实验噪声的计算模型。尽管机器学习（ML）和深度学习（DL）方法已迅速普及以满足这些需求，但该领域仍缺乏针对特定空间约束和生物学问题的模型选择方法学指导。本文对ML/DL方法在核心空间组学任务（包括批次效应校正、分辨率增强、组织和细胞分割、空间域发现、细胞类型解卷积和模型可解释性）方面进行了批判性和比较性综述。经典ML方法（如聚类、随机森林和其他集成分类器）提供可解释的基准，但在建模非线性空间依赖性方面能力有限。现代DL架构（包括卷积和图神经网络、转换器和生成模型）能够捕捉复杂空间模式并支持多组学整合，但面临数据稀缺、注释负担、计算成本和不确定性估计等持续挑战。新兴策略（如最优传输、跨模态注意力、图关联嵌入和基础模型）增强了跨模态对齐，但需要对其假设和操作约束进行严格评估。我们进一步讨论了实用解决方案，包括自监督预训练、联邦学习和采用标准化空间数据格式，以提升可扩展性、可重复性和临床适用性。最后，我们提出一个决策框架，强调根据数据模态、空间分辨率、组织结构和预期临床应用确定特定ML/DL家族的适用性。通过整合方法学批判和可操作建议，本综述为空间组学中ML和DL模型的可重复、可解释和临床可转化部署提供了路线图。
Keyword:
spatial omics
machine learning
deep learning
segmentation
multi-omics integration
foundation models
precision oncology
clinical translation
期刊
IF:
7.7
论文数:
5.8K
被引数:
2.7W
机构
引用论文
Deep Profiling of Mouse Splenic Architecture with CODEX Multiplexed Imaging使用CODEX多路成像对小鼠脾脏结构进行深度分析.png)
Cell
OAAI
CellIF0
OAAI分享收藏分享收藏"Why Should I Trust You?"“我为什么要相信你？”Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Protocol to analyze 1D and 2D mass spectrometry data from glioblastoma tissues for cancer diagnosis and immune cell identification胶质瘤组织1D和2D质谱数据分析协议：用于癌症诊断和免疫细胞识别
IF0
PREAI
分享收藏分享收藏Watersheds in digital spaces: an efficient algorithm based on immersion simulations数字空间中的流域: 一种基于沉浸模拟的高效算法
PREAI
分享收藏分享收藏Cooperation among cancer cells: applying game theory to cancer癌细胞之间的合作: 将博弈论应用于癌症NATURE REVIEWS CANCEROAAI
NATURE REVIEWS CANCERIF66.8
OAAI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
查看更多内容