浙大开发DeepSorption:晶态多孔材料吸附性能深度学习框架

编辑 | 紫萝空间转录组学 (ST) 手艺可检测单个细胞中的 mRNA 表达,同时保留其二维 (2D) 空间坐标,使钻研职员能够钻研转录组在构造中的空间分布;然而,对多个 ST 切片进行联合阐明并将它们对齐以建立构造的三维 (3D) 堆栈仍然是一个挑战。近日,来自中国科学手艺大学、合肥综合性国家科学中心和北京生命科学钻研所(NIBS)的钻研团队,提出了用于 ST 数据阐明的深度学习空间架构表征 (SPACEL)。SPACEL 包含三个模块——Spoint、Splane 和 Scube——涵盖了 ST 数据的三个阐明

浙大开发DeepSorption:晶态多孔材料吸附性能深度学习框架

编辑 | 紫萝

空间转录组学 (ST) 手艺可检测单个细胞中的 mRNA 表达,同时保留其二维 (2D) 空间坐标,使钻研职员能够钻研转录组在构造中的空间分布;然而,对多个 ST 切片进行联合阐明并将它们对齐以建立构造的三维 (3D) 堆栈仍然是一个挑战。

近日,来自中国科学手艺大学、合肥综合性国家科学中心和北京生命科学钻研所(NIBS)的钻研团队,提出了用于 ST 数据阐明的深度学习空间架构表征 (SPACEL)。SPACEL 包含三个模块——Spoint、Splane 和 Scube——涵盖了 ST 数据的三个阐明任务。

使用来自各种构造的模拟和真实 ST 数据集和 ST 手艺与 19 种最先进的法子进行比较,表明 SPACEL 在细胞类型反卷积、空间域辨认和 3D 对齐方面优于其他法子,从而展示了 SPACEL 作为 ST 数据处理和阐明的有价值的集成工具包。

该钻研以《SPACEL: deep learning-based characterization of spatial transcriptome architectures》为题,于 2023 年 11 月 22 日发布在《Nature Communications》上。

浙大开发DeepSorption:晶态多孔材料吸附性能深度学习框架

空间转录组学 (ST) 手艺使钻研职员原则上能够检测构造学切片中整个转录组的空间分布,从而大大提高了我们对器官结构和疾病微环境的理解。实验 ST 手艺有两大类,可以 i) 以单细胞分辨率检测部分转录组的表达,或 ii) 在没有单细胞分辨率的情况下检测整个转录组。

目前 ST 手艺快速发展和利用的趋势表明,在可预见的未来,科学和医学钻研中将产生大量来自不同构造(和条件)的 ST 切片。因此,迫切需要能够快速有效地实现多个 ST 切片数据的集成阐明的计算工具。

准确辨认跨多个切片的功能空间域并重建构造的 3D 结构,为各种实际利用中的重大生物学发现提供了宝贵的机会。总体而言,对于具有重大缺陷的 ST 数据集来说,建立构造的堆叠 3D 对齐仍然是一个巨大的挑战。

在此,钻研职员开发了 SPACEL,一个基于深度学习的工具包。SPACEL 包含三个模块:Spoint 嵌入了带有概率模型的多层感知器,用于对单个 ST 切片中每个点的细胞类型组成进行解卷积;Splane 采用图卷积网络法子和对抗性学习算法来辨认跨多个 ST 切片在转录组和空间上一致的空间域;Scube 自动转换连续切片的空间坐标系并将它们堆叠在一起以建立构造的 3D 结构。

浙大开发DeepSorption:晶态多孔材料吸附性能深度学习框架

图 1:SPACEL 流程。(滥觞:论文)

为了确保 SPACEL 的稳健性,钻研职员进行了广泛的实验来评估其在各种超参数设置下的性能。结果表明,与其他最先进的法子相比,Spoint、Splane 和 Scube 对超参数变化表现出卓越的稳健性,强调 SPACEL 在不同实验设置中提供可靠且一致的结果的有效性。

钻研职员利用 SPACEL 阐明了 11 个 ST 数据集,其中包括使用 10X Visium、STARmap、MERFISH、Stereo-seq 和 Spatial Transcriptomics 手艺获取的 156 个切片。SPACEL 在三个检查的阐明任务中均优于其他最先进的法子,因此代表了用于 ST 数据处理和阐明的有价值的集成工具包。

在 11 种反卷积法子中,Spoint 产生了最高的平均 PCC/SSIM 值(= 0.73/0.69),以及最低的平均 RMSE/JSD 值(=0.05/0.41)。此外,利用基准钻研中定义的准确度得分(AS)来评估每种法子的性能:Spoint 的平均 AS( = 0.93)明显高于其他法子(AS = 0.24-0.82)。

浙大开发DeepSorption:晶态多孔材料吸附性能深度学习框架

图 2:使用 Spoint 和其他反卷积法子对点进行细胞类型反卷积。(滥觞:论文)

在使用 Spoint 对细胞类型进行解卷积后,利用 Splane 来辨认上述 DLPFC 数据集 ST 切片的空间域。钻研表明联合阐明方案提高了 Splane 空间辨认的精度。

浙大开发DeepSorption:晶态多孔材料吸附性能深度学习框架

图 3:从 DLPFC 的 12 个 10X Visium 切片中辨认空间域。(滥觞:论文)

紧接着测试了 Splane 在辨认疾病切片空间域方面的性能。钻研结果证明了 Splane 在肿瘤系统的多个切片中辨认一致的肿瘤区域和边界的能力。

浙大开发DeepSorption:晶态多孔材料吸附性能深度学习框架

图 4:来自三个不同数据集的 11 个乳腺癌 ST 切片的联合阐明。(滥觞:论文)

钻研职员还开发了 SPACEL 的 Scube 模块来建立和钻研给定构造的 3D 架构。SPACEL 的 Scube 模块在模拟(STARmap)和真实(MERFISH 和 Stereo-seq)数据集的对齐和 3D 架构建立方面均优于 STAligner 和 PASTE。

浙大开发DeepSorption:晶态多孔材料吸附性能深度学习框架

图 5:小鼠大脑连续 ST 切片的 3D 对齐。(滥觞:论文)

为了突出 SPACEL 的集成性质,钻研职员利用完全集成的工作流程来阐明小鼠全脑 ST 数据。钻研表明,SPACEL 可作为阐明多个 ST 切片的有效集成工具包。

论文链接:https://www.nature.com/articles/s41467-023-43220-3

给TA打赏
共{{data.count}}人
人已打赏
应用

浙大开发DeepSorption:大师学问共进修的晶态多孔质料吸附功能深度进修框架

2023-12-7 15:27:00

应用

遐想王传东:AI PC 时代正在到来

2023-12-8 11:36:00

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
今日签到
有新私信 私信列表
搜索