基于图神经网络的单分子局部化空间聚类的增强方法
机器学习
2025-12-12 v2 生物物理
数据分析、统计与概率
定量方法
摘要
单分子局部化显微镜生成对应的荧光标记局部化点云。空间聚类识别和分析这些点云对于提取分子组织的见解至关重要。然而，在局部化噪声、高点密度或复杂生物结构的存在下，这一任务变得具有挑战性。本文介绍 MIRO（Multifunctional Integration through Relational Optimization，功能性集成通过关系优化），一种使用循环图神经网络对点云进行转换以提高常规聚类技术应用效率的算法。我们展示 MIRO 支持不同形状和多尺度聚类的同时处理，显示其在各种数据集上的改进性能。我们的全面评估表明 MIRO 在单分子局部化应用中具有变革性潜力，展示了其在聚类分析和提供分子结构准确可靠细节方面的能力。此外，MIRO 稳健的聚类能力在神经科学、生态学等多个领域具有广阔的应用前景，例如用于神经元连接模式分析和生态数据空间分布研究。
引用
@article{arxiv.2412.00173,
title = {Enhanced Spatial Clustering of Single-Molecule Localizations with Graph Neural Networks},
author = {Jesús Pineda and Sergi Masó-Orriols and Montse Masoliver and Joan Bertran and Mattias Goksör and Giovanni Volpe and Carlo Manzo},
journal= {arXiv preprint arXiv:2412.00173},
year = {2025}
}
备注
47 pages, 5 main figures, 3 table, 3 supplementary figures, 9 supplementary tables. This is the author's version of the article published in Nature Communications under CC BY 4.0. The final published version is available at https://doi.org/10.1038/s41467-025-65557-7