面向高维空间转录组数据的广义贝叶斯非参数聚类框架
统计方法学
2024-08-27 v1
摘要
基于下一代测序的空间分辨转录组学 (SRT) 技术的出现变革了基因组学研究，使其能够进行高通量基因表达轮廓分析，同时保留空间背景。识别 SRT 数据中的空间域是关键任务，已有许多计算方法可供选择。然而，大多数现有方法依赖于多阶段过程，包含用于管理 SRT 数据高维性质的任意维数约化技术。这些低维嵌入随后被用于基于模型或基于距离的聚类方法。此外，许多方法依赖于任意指定聚类数量（即空间域），这可能导致信息丢失和次优下游分析。为了克服这些限制，我们提出一种新型的贝叶斯非参数混合因子分析 (BNPMFA) 模型， Incorporation of a Markov 随机场约束的 Gibbs 类型先验用于分割高维空间转录组数据。这种新的先验有效地整合了 SRT 数据中固有的空间约束，同时推断聚类成员身份并确定最优的空间域数量。我们已在该框架内建立了聚类成员身份的理论可辨识性。通过现实模拟和应用于两个 SRT 数据集，我们演示了所提出方法的有效性。我们的结果表明，BNPMFA 模型不仅在聚类准确性和估计聚类数量方面超越了最先进的方法，也为识别组织样本中的细胞区域提供了新见解。
引用
@article{arxiv.2408.14410,
title = {Generalized Bayesian nonparametric clustering framework for high-dimensional spatial omics data},
author = {Bencong Zhu and Guanyu Hu and Xiaodan Fan and Qiwei Li},
journal= {arXiv preprint arXiv:2408.14410},
year = {2024}
}