Mengintegrasikan data berbilang omik, model rangkaian saraf graf pasukan BGI SpatialGlue telah diterbitkan dalam sub-jurnal Nature

.

SpatialGlue: Model Rangkaian Neural Graf dengan Mekanisme Perhatian Dwi

Sebuah pasukan penyelidik dari Agensi Sains, Teknologi dan Penyelidikan Singapura (A*STAR), BGI dan Hospital Renji yang Bergabung dengan Sekolah Perubatan Universiti Jiao Tong Shanghai mencadangkan kaedah yang dipanggil Ia adalah model rangkaian saraf graf SpatialGlue, yang mengintegrasikan data berbilang omik melalui mekanisme perhatian dwi untuk mendedahkan struktur sampel tisu yang berkaitan secara histologi dengan cara yang sedar secara spatial.

Kelebihan SpatialGlue

SpatialGlue mampu menggabungkan pelbagai modaliti data dengan konteks spatial masing-masing. Berbanding dengan kaedah lain, SpatialGlue mempunyai kelebihan berikut:

Tangkap lebih banyak butiran anatomi.

Selesaikan domain spatial (seperti korteks serebrum) dengan lebih tepat.

Kenal pasti jenis sel yang terletak di kawasan berbeza (seperti subpopulasi makrofaj limpa).

Alat yang berkuasa untuk analisis omik spatial

Kajian ini menyerlahkan keupayaan berkuasa omik spatial multimodal dalam menganalisis kerumitan biologi.
2. Penyelidikan berkaitan
3. Penyelidikan berkaitan bertajuk "Mentafsir domain spatial daripada berbilang omik spatial dengan SpatialGlue" dan telah diterbitkan dalam "Kaedah Alam" pada 21 Jun.

Penyepaduan data berbilang omik ruang menghadapi cabaran Pada masa ini, teknologi spatial sedang diperluaskan kepada berbilang omik spatial, iaitu, omik yang berbeza dianalisis secara serentak pada satu bahagian tisu. Teknologi ini boleh dibahagikan secara meluas kepada dua kategori: berasaskan penjujukan dan berasaskan pengimejan. Ia memberikan kemungkinan untuk memahami secara mendalam sifat-sifat sel dan tisu yang baru muncul. Untuk mengeksploitasi sepenuhnya data berbilang omik spatial untuk membina gambaran koheren tisu yang sedang dikaji, penyepaduan modaliti data heterogen yang sedar secara spatial diperlukan. Penyepaduan data berbilang omik menghadapi cabaran yang ketara kerana kiraan ciri bagi modaliti yang berbeza mungkin berbeza-beza dan mempunyai taburan statistik yang berbeza. Cabaran ini menjadi lebih teruk apabila menggabungkan maklumat spatial dengan kiraan ciri dalam setiap modaliti data.

Pada masa ini, tiada alat yang direka khusus untuk multi-omik spatial yang diperoleh daripada bahagian tisu yang sama. Oleh itu, alatan yang disesuaikan secara khusus untuk data berbilang omik spatial diperlukan untuk menangani cabaran mengintegrasikan data berbilang omik spatial untuk analisis hiliran. Khususnya, kaedah baharu yang membolehkan penyepaduan silang omik persepsi spatial diperlukan.

Struktur model SpatialGlue SpatialGlue mentafsir domain spatial sampel tisu dengan resolusi yang lebih tinggi dengan menggabungkan data modal berbilang omik dengan maklumat spatial dengan berkesan. SpatialGlue ialah model pembelajaran mendalam berdasarkan rangkaian neural graf (GNN).

SpatialGlue mula-mula menggunakan algoritma k-nerest neighbor (KNN) untuk membina graf jiran ruang menggunakan koordinat spatial dan graf jiran ciri menggunakan data ungkapan ternormal untuk setiap modaliti omics.

Kemudian, untuk setiap modaliti, pengekod GNN mengambil perwakilan ternormal dan graf jiran untuk mempelajari dua perwakilan khusus graf dengan mengagregatkan perwakilan jiran secara berulang. Untuk menangkap kepentingan graf yang berbeza, lapisan pengagregatan perhatian intra-modal direka bentuk untuk menyepadukan secara adaptif perwakilan khusus graf dan mendapatkan perwakilan khusus modaliti. Akhir sekali, untuk mengekalkan kepentingan modaliti yang berbeza, SpatialGlue menggunakan lapisan pengagregatan perhatian antara mod untuk menyepadukan secara adaptif perwakilan khusus modaliti dan menghasilkan perwakilan bersepadu gumpalan akhir.

Ilustrasi: Model dwi-perhatian mendalam yang boleh ditafsir untuk analisis data berbilang omik spatial. (Sumber: kertas) Untuk menilai keberkesanan model SpatialGlue yang dicadangkan, para penyelidik terlebih dahulu mengesahkan kepentingan perhatian dan komponen lain melalui satu siri kajian ablasi menggunakan data simulasi. Selepas itu, sensitiviti SpatialGlue kepada bilangan jiran input, dimensi analisis komponen utama (PCA), dan bilangan lapisan GNN dicirikan.

Resolusi yang lebih tinggi menangkap lebih terperinci anatomi Para penyelidik mula-mula menguji SpatialGlue pada data nodus limfa manusia yang disimulasikan dan diperoleh secara eksperimen serta menjalankan penanda aras. Prestasi kuantitatif SpatialGlue mengatasi kaedah lain dan menangkap lebih terperinci anatomi. Penanda aras kuantitatif menunjukkan bahawa SpatialGlue mengatasi 10 kaedah kaedah tunggal dan bukan ruang yang canggih pada 5 set data simulasi dan 12 dunia nyata, yang menyerlahkan kepentingan maklumat spatial dan integrasi silang.

1. Ilustrasi: SpatialGlue mengenal pasti domain spatial dalam data simulasi dan sebenar. (Sumber: kertas)

2. Seterusnya, SpatialGlue telah digunakan pada dataset epigenome-transkriptom otak tetikus, mendedahkan lapisan kortikal yang lebih halus berbanding kajian asal, yang membolehkan penyiasatan lanjut tentang peraturan gen pada resolusi spatial yang lebih tinggi.

   

   Ilustrasi: SpatialGlue membedah transkriptom epigenomik spatial sampel otak tetikus pada resolusi yang lebih tinggi. (Sumber: kertas)

Akhirnya, SpatialGlue digunakan selanjutnya pada data yang diperoleh oleh Stereo-CITE-seq dan SPOTS, menunjukkan kebolehgunaannya yang luas pada pelbagai platform teknologi. Para penyelidik menguji lapan kaedah. Secara keseluruhan, SpatialGlue mendapat markah tertinggi dalam persamaan Jaccard dan menduduki tempat kedua dalam skor I Moran. Prestasi cemerlang ini terus direplikasi menggunakan tiga bahagian timus tetikus tambahan.

Para penyelidik berkata: "Kami percaya bahawa SpatialGlue akan menjadi alat analisis yang berharga untuk data multi-omik spatial sekarang dan pada masa hadapan. Terdapat beberapa cara yang mungkin untuk mengembangkan SpatialGlue. Salah satunya ialah menggunakan imej sebagai modaliti. Kami merancang untuk memanjangkan SpatialGlue, Menggabungkan data imej dengan lapisan pengagregatan perhatian dalam atau antara modaliti Kami juga merancang untuk memperluaskan keupayaan SpatialGlue dengan menyepadukan data berbilang omik yang diperoleh daripada bahagian tisu bersiri

Nota: Penutup datang daripada Internet.

Atas ialah kandungan terperinci Mengintegrasikan data berbilang omik, model rangkaian saraf graf pasukan BGI SpatialGlue telah diterbitkan dalam sub-jurnal Nature. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!