新火種
2023-12-20 
浙大開發DeepSorption：晶態多孔材料吸附性能深度學習框架
空間轉錄組學 (ST) 技術可檢測單個細胞中的 mRNA 表達，同時保留其二維 (2D) 空間坐標，使研究人員能夠研究轉錄組在組織中的空間分布；然而，對多個 ST 切片進行聯合分析并將它們對齊以構建組織的三維 (3D) 堆棧仍然是一個挑戰。
近日，來自中國科學技術大學、合肥綜合性國家科學中心和北京生命科學研究所（NIBS）的研究團隊，提出了用于 ST 數據分析的深度學習空間架構表征 (SPACEL)。SPACEL 包含三個模塊——Spoint、Splane 和 Scube——涵蓋了 ST 數據的三個分析任務。
使用來自各種組織的模擬和真實 ST 數據集和 ST 技術與 19 種最先進的方法進行比較，表明 SPACEL 在細胞類型反卷積、空間域識別和 3D 對齊方面優于其他方法，從而展示了 SPACEL 作為 ST 數據處理和分析的有價值的集成工具包。
該研究以《SPACEL: deep learning-based characterization of spatial transcriptome architectures》為題，于 2023 年 11 月 22 日發布在《Nature Communications》上。
空間轉錄組學 (ST) 技術使研究人員原則上能夠檢測組織學切片中整個轉錄組的空間分布，從而大大提高了我們對器官結構和疾病微環境的理解。實驗 ST 技術有兩大類，可以 i) 以單細胞分辨率檢測部分轉錄組的表達，或 ii) 在沒有單細胞分辨率的情況下檢測整個轉錄組。
目前 ST 技術快速發展和應用的趨勢表明，在可預見的未來，科學和醫學研究中將產生大量來自不同組織（和條件）的 ST 切片。因此，迫切需要能夠快速有效地實現多個 ST 切片數據的集成分析的計算工具。
準確識別跨多個切片的功能空間域并重建組織的 3D 結構，為各種實際應用中的重大生物學發現提供了寶貴的機會。總體而言，對于具有重大缺陷的 ST 數據集來說，構建組織的堆疊 3D 對齊仍然是一個巨大的挑戰。
在此，研究人員開發了 SPACEL，一個基于深度學習的工具包。SPACEL 包含三個模塊：Spoint 嵌入了帶有概率模型的多層感知器，用于對單個 ST 切片中每個點的細胞類型組成進行解卷積；Splane 采用圖卷積網絡方法和對抗性學習算法來識別跨多個 ST 切片在轉錄組和空間上一致的空間域；Scube 自動轉換連續切片的空間坐標系并將它們堆疊在一起以構建組織的 3D 結構。
為了確保 SPACEL 的穩健性，研究人員進行了廣泛的實驗來評估其在各種超參數設置下的性能。結果表明，與其他最先進的方法相比，Spoint、Splane 和 Scube 對超參數變化表現出卓越的穩健性，強調 SPACEL 在不同實驗設置中提供可靠且一致的結果的有效性。
研究人員應用 SPACEL 分析了 11 個 ST 數據集，其中包括使用 10X Visium、STARmap、MERFISH、Stereo-seq 和 Spatial Transcriptomics 技術獲取的 156 個切片。SPACEL 在三個檢查的分析任務中均優于其他最先進的方法，因此代表了用于 ST 數據處理和分析的有價值的集成工具包。
在 11 種反卷積方法中，Spoint 產生了最高的平均 PCC/SSIM 值（=?0.73/0.69），以及最低的平均 RMSE/JSD 值（=0.05/0.41）。此外，應用基準研究中定義的準確度得分（AS）來評估每種方法的性能：Spoint 的平均 AS（?=?0.93）明顯高于其他方法（AS?=?0.24-0.82）。
在使用 Spoint 對細胞類型進行解卷積后，應用 Splane 來識別上述 DLPFC 數據集 ST 切片的空間域。研究表明聯合分析方案提高了 Splane 空間識別的精度。
緊接著測試了 Splane 在識別疾病切片空間域方面的性能。研究結果證明了 Splane 在腫瘤系統的多個切片中識別一致的腫瘤區域和邊界的能力。
研究人員還開發了 SPACEL 的 Scube 模塊來構建和研究給定組織的 3D 架構。SPACEL 的 Scube 模塊在模擬（STARmap）和真實（MERFISH 和 Stereo-seq）數據集的對齊和 3D 架構構建方面均優于 STAligner 和 PASTE。
為了突出 SPACEL 的集成性質，研究人員應用完全集成的工作流程來分析小鼠全腦 ST 數據。研究表明，SPACEL 可作為分析多個 ST 切片的有效集成工具包。
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
