Identifying spatial domains of spatially resolved transcriptomics via multi-view graph convolutional networks

计算机科学 空间分析 图形 空间语境意识 嵌入 背景(考古学) 人工智能 数据挖掘 理论计算机科学 模式识别(心理学) 数学 生物 古生物学 统计
作者
Xuejing Shi,Jing Zhu,Yahui Long,Longdi Cheng
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:24 (5)
标识
DOI:10.1093/bib/bbad278
摘要

Abstract Motivation: Recent advances in spatially resolved transcriptomics (ST) technologies enable the measurement of gene expression profiles while preserving cellular spatial context. Linking gene expression of cells with their spatial distribution is essential for better understanding of tissue microenvironment and biological progress. However, effectively combining gene expression data with spatial information to identify spatial domains remains challenging. Results: To deal with the above issue, in this paper, we propose a novel unsupervised learning framework named STMGCN for identifying spatial domains using multi-view graph convolution networks (MGCNs). Specifically, to fully exploit spatial information, we first construct multiple neighbor graphs (views) with different similarity measures based on the spatial coordinates. Then, STMGCN learns multiple view-specific embeddings by combining gene expressions with each neighbor graph through graph convolution networks. Finally, to capture the importance of different graphs, we further introduce an attention mechanism to adaptively fuse view-specific embeddings and thus derive the final spot embedding. STMGCN allows for the effective utilization of spatial context to enhance the expressive power of the latent embeddings with multiple graph convolutions. We apply STMGCN on two simulation datasets and five real spatial transcriptomics datasets with different resolutions across distinct platforms. The experimental results demonstrate that STMGCN obtains competitive results in spatial domain identification compared with five state-of-the-art methods, including spatial and non-spatial alternatives. Besides, STMGCN can detect spatially variable genes with enriched expression patterns in the identified domains. Overall, STMGCN is a powerful and efficient computational framework for identifying spatial domains in spatial transcriptomics data.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
hoongyan发布了新的文献求助10
1秒前
1秒前
jasmine发布了新的文献求助20
1秒前
怡然灵珊完成签到,获得积分10
2秒前
2秒前
Chen完成签到,获得积分10
2秒前
gjvyg发布了新的文献求助20
3秒前
3秒前
隐形曼青应助6666采纳,获得10
3秒前
上官若男应助fdpb采纳,获得10
4秒前
嗯嗯完成签到,获得积分10
5秒前
amisomeone发布了新的文献求助10
6秒前
我是老大应助lily采纳,获得10
6秒前
8秒前
脑洞疼应助phl采纳,获得10
9秒前
SchurrleHao完成签到,获得积分10
9秒前
我是666完成签到,获得积分20
10秒前
10秒前
辣辣完成签到,获得积分10
11秒前
量子光学的腔光力完成签到,获得积分10
12秒前
乔乔兔发布了新的文献求助10
12秒前
坚定冬易发布了新的文献求助10
13秒前
轻轻的吻完成签到,获得积分10
13秒前
纳古菌完成签到,获得积分10
14秒前
amisomeone完成签到,获得积分10
14秒前
万能图书馆应助沫沫采纳,获得10
14秒前
15秒前
15秒前
小眯一会儿完成签到,获得积分10
15秒前
听思念渐近完成签到,获得积分10
16秒前
oceanao应助辣辣采纳,获得10
17秒前
简单问儿完成签到 ,获得积分10
18秒前
宋嘉新发布了新的文献求助10
18秒前
18秒前
无语啦完成签到,获得积分20
18秒前
研友_VZG7GZ应助乐吾卢采纳,获得10
19秒前
不下雨完成签到,获得积分10
19秒前
张才豪发布了新的文献求助10
20秒前
20秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3156349
求助须知:如何正确求助?哪些是违规求助? 2807819
关于积分的说明 7874705
捐赠科研通 2466043
什么是DOI,文献DOI怎么找? 1312570
科研通“疑难数据库(出版商)”最低求助积分说明 630176
版权声明 601912