基于STG3Net的多切片空间转录组数据整合分析
计算机视觉与模式识别
2024-08-29 v1 人工智能
机器学习
摘要
随着最新空间分辨转录组学(SRT)技术的快速发展，该技术能够绘制组织切片内的基因表达图谱，对多个SRT数据进行整合分析变得日益重要。然而，多切片之间的批次效应对分析SRT数据构成了重大挑战。为应对这些挑战，我们开发了一种即插即用的批次校正方法，称为全局最近邻(G2N)锚点对选择。G2N通过跨切片选择代表性锚点对，有效减轻了批次效应。基于G2N，我们提出了STG3Net，该方法巧妙地将掩码图卷积自编码器作为骨干模块。这些自编码器与生成对抗学习相结合，使STG3Net能够实现鲁棒的多切片空间域识别和批次校正。我们在来自不同平台的三个多SRT数据集上，从准确性、一致性和F1LISI指标（一种批次效应校正效率的度量）方面全面评估了STG3Net的可行性。与现有方法相比，STG3Net在保持切片间生物变异性和连通性的同时，实现了最佳的整体性能。本文使用的源代码和所有公共数据集可在https://github.com/wenwenmin/STG3Net 和 https://zenodo.org/records/12737170 获取。
引用
@article{arxiv.2408.15246,
title = {Multi-Slice Spatial Transcriptomics Data Integration Analysis with STG3Net},
author = {Donghai Fang and Fangfang Zhu and Wenwen Min},
journal= {arXiv preprint arXiv:2408.15246},
year = {2024}
}