マルチオミックスデータを統合したBGIチームのグラフニューラルネットワークモデルSpatialGlueがNatureサブジャーナルに掲載されました

編集者: KX

空間トランスクリプトミクスとマルチオミックスデータの統合

空間トランスクリプトミクスは、単一細胞トランスクリプトミクスに続く主要な発展であり、マルチオミックスデータの統合が重要になります。

SpatialGlue: 二重注意メカニズムを備えたグラフ ニューラル ネットワーク モデル

シンガポール科学技術研究庁 (A*STAR)、BGI、上海交通大学医学部附属仁吉病院の研究チームは、これは、SpatialGlue のグラフ ニューラル ネットワーク モデルと呼ばれるメソッドであり、デュアル アテンション メカニズムを通じてマルチオミクス データを統合し、空間を意識した方法で組織サンプルの組織学的に関連する構造を明らかにします。

SpatialGlue の利点

SpatialGlue は、複数のデータ モダリティをそれぞれの空間コンテキストと組み合わせることができます。他の方法と比較して、SpatialGlue には次の利点があります:

1. より多くの解剖学的詳細をキャプチャします。
2. 空間領域 (大脳皮質など) をより正確に解決します。
3. さまざまな領域にある細胞タイプ (脾臓マクロファージ部分集団など) を特定します。

空間オミックス分析のための強力なツール

この研究は、生物学的複雑性の分析におけるマルチモーダル空間オミックスの強力な能力を強調しています。

関連研究

関連研究は「SpatialGlueを使用した空間マルチオミクスからの空間ドメインの解読」というタイトルで、6月21日付けの「Nature Methods」に掲載されました。

空間マルチオミクスデータの統合は現在、空間技術が空間マルチオミクスに拡張されており、つまり、単一の組織切片上で異なるオミクスが同時に分析されています。これらのテクノロジーは、シーケンス ベースとイメージング ベースの 2 つのカテゴリに大別できます。これにより、細胞や新興組織の特性を深く理解する可能性が得られます。
空間マルチオミクスデータを最大限に活用して研究対象の組織の一貫した画像を構築するには、異種データモダリティの空間認識統合が必要です。異なるモダリティの特徴数は大きく異なり、統計分布も異なる可能性があるため、マルチオミクスデータの統合は大きな課題に直面しています。この課題は、各データ モダリティ内の空間情報と特徴数を組み合わせるときにさらに悪化します。
現在、同じ組織切片から取得した空間マルチオミクス用に特別に設計されたツールはありません。したがって、下流解析のために空間マルチオミクスデータを統合するという課題に対処するには、空間マルチオミクスデータに特化して調整されたツールが必要です。特に、空間認識のクロスオミクス統合を可能にする新しい方法が必要とされています。
SpatialGlue モデル構造 SpatialGlue は、マルチオミックスモーダルデータと空間情報を効果的に組み合わせることで、組織サンプルの空間領域をより高い解像度で解釈します。 SpatialGlue は、グラフ ニューラル ネットワーク (GNN) に基づく深層学習モデルです。
SpatialGlue は、まず k 近傍 (KNN) アルゴリズムを使用して、空間座標を使用した空間近傍グラフと、各オミクス モダリティの正規化された発現データを使用した特徴近傍グラフを構築します。
次に、各モダリティについて、GNN エンコーダーは正規化された表現と隣接グラフを取得し、隣接グラフの表現を反復的に集約することで 2 つのグラフ固有の表現を学習します。さまざまなグラフの重要性を捉えるために、モーダル内アテンション集約レイヤーは、グラフ固有の表現を適応的に統合し、モダリティ固有の表現を取得するように設計されています。
最後に、さまざまなモダリティの重要性を維持するために、SpatialGlue はモーダル間アテンション集約レイヤーを使用して、モダリティ固有の表現を適応的に統合し、最終的な BLOB 統合表現を出力します。

図: 空間マルチオミクスデータ分析のための解釈可能な深い二重注意モデル。 (出典: 論文) 提案された SpatialGlue モデルの有効性を評価するために、研究者らはまず、シミュレートされたデータを使用した一連のアブレーション研究を通じて、注意とその他のコンポーネントの重要性を検証しました。続いて、入力の近傍数、主成分分析 (PCA) 次元、および GNN 層の数に対する SpatialGlue の感度が特徴付けられます。
より高い解像度により、より多くの解剖学的詳細をキャプチャ研究者らはまず、シミュレートおよび実験的に取得したヒトリンパ節データで SpatialGlue をテストし、ベンチマークを実施しました。 SpatialGlue の定量的パフォーマンスは他の方法を上回り、より多くの解剖学的詳細を捕捉します。
定量的ベンチマークでは、SpatialGlue が 5 つのシミュレーション データセットと 12 の実世界データセットで 10 の最先端の単一モダリティおよび非空間手法を上回っていることが実証され、空間情報とクロスオミクス統合の重要性が強調されています。

1. 図: SpatialGlue は、シミュレートされたデータと実際のデータの空間ドメインを正確に識別します。 (出典: 論文)

2. 次に、SpatialGlue をマウスの脳のエピゲノム トランスクリプトーム データセットに適用したところ、元の研究と比較してより微細な皮質層が明らかになり、より高い空間解像度で遺伝子制御をさらに調査できるようになりました。

   

   図: SpatialGlue は、マウス脳サンプルの空間エピゲノム トランスクリプトームを高解像度で分析します。 (出典: 論文)

最後に、SpatialGlue は、Stereo-CITE-seq と SPOTS によって取得されたデータにさらに適用され、さまざまなテクノロジー プラットフォームへの幅広い適用可能性を実証しました。研究者らは 8 つの方法をテストしました。全体として、SpatialGlue は Jaccard 類似性のスコアが最も高く、Moran の I スコアでは 2 位にランクされています。この優れたパフォーマンスは、さらに 3 つのマウス胸腺切片を使用して再現されました。

研究者らは次のように述べています。「私たちは、SpatialGlue が現在および将来において空間マルチオミックスデータの価値ある分析ツールになると信じています。SpatialGlue を拡張するにはいくつかの方法が考えられます。その 1 つは画像をモダリティとして使用することです。私たちは計画しています」 SpatialGlue を拡張するには、モダリティ内またはモダリティ間で画像データをアテンション集約レイヤーと結合します。

注: カバーはインターネットから取得したものです

。

以上がマルチオミックスデータを統合したBGIチームのグラフニューラルネットワークモデルSpatialGlueがNatureサブジャーナルに掲載されましたの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。