다중 오믹스 데이터를 통합한 BGI 팀의 그래프 신경망 모델 SpatialGlue가 Nature 하위 저널에 게재되었습니다.

Editor: KX

공간 전사체학 및 다중 오믹스 데이터 통합

공간 전사체학은 단일 세포 전사체학 이후의 주요 발전으로 다중 오믹스 데이터의 통합이 중요합니다.

SpatialGlue: 이중 주의 메커니즘을 갖춘 그래프 신경망 모델

싱가포르 과학기술연구청(A*STAR), BGI 및 상하이 자오통대학교 의과대학 부속 Renji 병원 연구팀이 제안한 방법은 다음과 같습니다. SpatialGlue의 그래프 신경망 모델은 Dual Attention 메커니즘을 통해 다중 오믹스 데이터를 통합하여 조직 샘플의 조직학적 관련 구조를 공간 인식 방식으로 드러내는 것입니다.

SpatialGlue의 장점

SpatialGlue는 여러 데이터 형식을 해당 공간 컨텍스트와 결합할 수 있습니다. 다른 방법과 비교할 때 SpatialGlue에는 다음과 같은 장점이 있습니다.

1. 더 많은 해부학적 세부 사항을 캡처합니다.
2. 공간 영역(예: 대뇌 피질)을 더 정확하게 해결합니다.
3. 다른 지역(예: 비장 대식세포 하위 집단)에 위치한 세포 유형을 식별합니다.

공간 오믹스 분석을 위한 강력한 도구

이 연구는 생물학적 복잡성을 분석하는 데 있어 다중 모드 공간 오믹스의 강력한 능력을 강조합니다.

관련 연구

관련 연구는 "SpatialGlue를 이용한 공간 다중 오믹스에서 공간 영역 해독"이라는 제목으로 "Nature Methods" 6월 21일자에 게재되었습니다.

공간 다중 오믹스 데이터 통합은 현재 과제에 직면해 있습니다. 현재 공간 기술은 공간 다중 오믹스로 확장되고 있습니다. 즉, 단일 조직 섹션에서 다양한 오믹스가 동시에 분석됩니다. 이러한 기술은 크게 시퀀싱 기반과 이미징 기반의 두 가지 범주로 나눌 수 있습니다. 세포와 신생 조직의 특성을 깊이 이해할 수 있는 가능성을 제공합니다.
공간 다중 오믹스 데이터를 완전히 활용하여 연구 중인 조직의 일관된 그림을 구축하려면 이질적인 데이터 양식의 공간 인식 통합이 필요합니다. 다중 오믹스 데이터 통합은 다양한 양식의 기능 개수가 크게 다를 수 있고 통계 분포가 다르기 때문에 심각한 문제에 직면해 있습니다. 이러한 문제는 공간 정보를 각 데이터 양식 내의 특징 수와 결합할 때 더욱 악화됩니다.
현재 동일한 조직 섹션에서 획득한 공간 다중 오믹스를 위해 특별히 설계된 도구는 없습니다. 따라서 다운스트림 분석을 위해 공간 다중 오믹스 데이터를 통합하는 문제를 해결하려면 공간 다중 오믹스 데이터에 특별히 맞춤화된 도구가 필요합니다. 특히, 공간 지각의 교차 오믹스 통합을 가능하게 하는 새로운 방법이 필요합니다.
SpatialGlue 모델 구조 SpatialGlue는 다중 오믹스 모달 데이터와 공간 정보를 효과적으로 결합하여 조직 샘플의 공간 영역을 더 높은 해상도로 해석합니다. SpatialGlue는 그래프 신경망(GNN)을 기반으로 한 딥 러닝 모델입니다.
SpatialGlue는 먼저 KNN(K-Nearest Neighbor) 알고리즘을 사용하여 공간 좌표를 사용하는 공간 이웃 그래프와 각 오믹스 양식에 대한 정규화된 표현 데이터를 사용하는 특징 이웃 그래프를 구축합니다.
그런 다음 각 양식에 대해 GNN 인코더는 정규화된 표현과 이웃 그래프를 사용하여 이웃 표현을 반복적으로 집계하여 두 개의 그래프별 표현을 학습합니다. 다양한 그래프의 중요성을 포착하기 위해 모달 내 주의 집계 계층은 그래프별 표현을 적응적으로 통합하고 모달별 표현을 얻도록 설계되었습니다.
마지막으로, 다양한 양식의 중요성을 보존하기 위해 SpatialGlue는 양식 간 주의 집계 계층을 사용하여 양식별 표현을 적응적으로 통합하고 최종 블롭 통합 표현을 출력합니다.

그림: 공간 다중 오믹스 데이터 분석을 위한 해석 가능한 심층 이중 주의 모델. (출처: 논문) 제안된 SpatialGlue 모델의 효율성을 평가하기 위해 연구진은 먼저 시뮬레이션 데이터를 사용한 일련의 절제 연구를 통해 주의력 및 기타 구성 요소의 중요성을 확인했습니다. 그 후, 입력의 이웃 수, 주성분 분석(PCA) 차원 및 GNN 레이어 수에 대한 SpatialGlue의 민감도가 특성화됩니다.
해상도가 높을수록 더 많은 해부학적 세부 사항을 캡처합니다. 연구원들은 먼저 시뮬레이션되고 실험적으로 획득한 인간 림프절 데이터에서 SpatialGlue를 테스트하고 벤치마크를 수행했습니다. SpatialGlue의 정량적 성능은 다른 방법보다 뛰어나며 보다 해부학적인 세부 사항을 포착합니다.
정량적 벤치마킹은 SpatialGlue가 5개의 시뮬레이션 데이터세트와 12개의 실제 데이터세트에서 10개의 최첨단 단일 방식 및 비공간 방법보다 뛰어난 성능을 보여 공간 정보와 교차 오믹스 통합의 중요성을 강조합니다.

1. 그림: SpatialGlue는 시뮬레이션된 데이터와 실제 데이터에서 공간 영역을 정확하게 식별합니다. (출처: 종이)

2. 다음으로 SpatialGlue를 마우스 뇌 후성유전체-전사체 데이터 세트에 적용하여 원래 연구에 비해 더 미세한 피질 층을 드러냈고, 이를 통해 더 높은 공간 해상도에서 유전자 조절에 대한 추가 조사가 가능해졌습니다.

   

   그림: SpatialGlue는 마우스 뇌 샘플의 공간 후성유전체 전사체를 더 높은 해상도로 분석합니다. (출처: 논문)

마지막으로 SpatialGlue는 Stereo-CITE-seq 및 SPOTS에서 획득한 데이터에 추가로 적용되어 다양한 기술 플랫폼에 대한 폭넓은 적용 가능성을 입증했습니다. 연구진은 8가지 방법을 테스트했습니다. 전반적으로 SpatialGlue는 Jaccard 유사성에서 가장 높은 점수를 얻었고 Moran의 I 점수에서는 2위를 차지했습니다. 이 우수한 성능은 세 개의 추가 마우스 흉선 섹션을 사용하여 추가로 복제되었습니다.

연구원들은 다음과 같이 말했습니다. "우리는 SpatialGlue가 현재와 미래에 공간 다중 오믹스 데이터를 위한 귀중한 분석 도구가 될 것이라고 믿습니다. SpatialGlue를 확장하는 방법에는 여러 가지가 있습니다. 그 중 하나는 이미지를 양식으로 사용하는 것입니다. 우리는 계획을 세우고 있습니다. SpatialGlue를 확장하려면 양식 내 또는 양식 간 주의 집계 레이어를 사용하여 이미지 데이터를 병합합니다. 또한 직렬 조직 섹션에서 얻은 다중 오믹스 데이터를 통합하여 SpatialGlue의 기능을 확장할 계획입니다.

참고: 표지는 인터넷에서 제공됩니다

.

위 내용은 다중 오믹스 데이터를 통합한 BGI 팀의 그래프 신경망 모델 SpatialGlue가 Nature 하위 저널에 게재되었습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!