近日，Advanced Science在線發(fā)表了由青島科技大學于彬教授、沙特阿卜杜拉國王科技大學高欣教授合作完成的最新研究成果，題為Exploring the Latent Information in Spatial Transcriptomics Data via Multi-View Graph Convolutional Network Based on Implicit Contrastive Learning的最新研究成果。研究團隊提出一種名為STMIGCL的模型，展示了其在空間域識別、軌跡推斷、空間可變基因的識別等下游分析任務中的能力，為空間轉錄組學數(shù)據(jù)分析提供全新思路。

為了克服傳統(tǒng)非空間聚類方法的局限性以及現(xiàn)有空間聚類方法結果欠佳的問題，STMIGCL采用多視圖學習從多個不同視角充分挖掘空間轉錄組數(shù)據(jù)中的潛在信息，并通過基于隱式增強的對比學習方法進一步細化獲得的潛在表示，提高提取特征的準確性和判別性 (圖1)。

圖1. STMIGCL框架圖

研究團隊通過將STMIGCL應用于五個公開的空間轉錄組學數(shù)據(jù)集驗證該方法在空間域識別、軌跡推斷、空間可變基因的識別等下游任務中的性能。首先將STMIGCL應用在由10x Visium技術獲得的人類背外側前額葉皮層 (DLPFC) 數(shù)據(jù)集上，評估STMIGCL在空間聚類性能上的優(yōu)勢。通過對比十種整合空間信息的聚類方法與一種不考慮空間信息的聚類方法的性能，展現(xiàn)出STMIGCL在空間域識別過程中的優(yōu)勢。

其次，研究團隊驗證STMIGCL在人類乳腺癌數(shù)據(jù)集上的聚類性能并進行癌癥異質(zhì)性分析，能夠幫助研究人員加深對空間轉錄組數(shù)據(jù)的理解，為制定靶向治療策略提供理論基礎。

除了10x Visium平臺，研究團隊還在由Stereo-seq技術獲得的冠狀位小鼠嗅球組織數(shù)據(jù)集以及E9.5小鼠胚胎數(shù)據(jù)集上驗證STMIGCL的空間域識別性能。

研究團隊最后分析一個具有單細胞分辨率的STARmap數(shù)據(jù)集，該數(shù)據(jù)集來自從海馬到胼胝體的小鼠視覺皮層。通過聚類評估指標以及可視化STMIGCL和基線方法得到的聚類結果，證實STMIGCL在空間域識別任務中的優(yōu)越性和獨特優(yōu)勢。

最后，通過模型可解釋性與消融實驗驗證并強調(diào)在STMIGCL里融合空間視圖、特征視圖以及注意力機制的重要性，這些組件的有效整合使得模型能夠實現(xiàn)更準確的空間聚類。

總體而言，STMIGCL模型通過多視圖學習和對比學習方法，顯著提高了空間域的辨識精度，在軌跡推斷、空間可變基因的識別上優(yōu)于現(xiàn)有方法。另外，STMIGCL能夠更精細地剖析癌癥組織的異質(zhì)性，幫助研究人員加深對空間轉錄組數(shù)據(jù)的理解，為制定靶向治療策略提供理論基礎。

2022級研究生任勝為該論文第一作者，青島科技大學于彬教授和沙特阿卜杜拉國王科技大學高欣教授為該論文通訊作者。合作者還包括西北工業(yè)大學廖興宇博士，青島科技大學研究生劉發(fā)榮、李杰。

https://doi.org/10.1002/advs.202413545

制版人：十一

BioArt

Med

Plants

人才招聘

會議資訊

學術合作組織

（*排名不分先后）

戰(zhàn)略合作伙伴

（*排名不分先后）

轉載須知

【非原創(chuàng)文章】本文著作權歸文章作者所有，歡迎個人轉發(fā)分享，未經(jīng)作者的允許禁止轉載，作者擁有所有法定權利，違者必究。