已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Spatial-MGCN: a novel multi-view graph convolutional network for identifying spatial domains with attention mechanism

计算机科学 空间分析 推论 空间语境意识 人工智能 图形 编码器 模式识别(心理学) 背景(考古学) 理论计算机科学 数学 生物 统计 操作系统 古生物学
作者
Bo Wang,Jiawei Luo,Ying Liu,Wanwan Shi,Zehao Xiong,Cong Shen,Yahui Long
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:24 (5)
标识
DOI:10.1093/bib/bbad262
摘要

Recent advances in spatial transcriptomics technologies have enabled gene expression profiles while preserving spatial context. Accurately identifying spatial domains is crucial for downstream analysis and it requires the effective integration of gene expression profiles and spatial information. While increasingly computational methods have been developed for spatial domain detection, most of them cannot adaptively learn the complex relationship between gene expression and spatial information, leading to sub-optimal performance.To overcome these challenges, we propose a novel deep learning method named Spatial-MGCN for identifying spatial domains, which is a Multi-view Graph Convolutional Network (GCN) with attention mechanism. We first construct two neighbor graphs using gene expression profiles and spatial information, respectively. Then, a multi-view GCN encoder is designed to extract unique embeddings from both the feature and spatial graphs, as well as their shared embeddings by combining both graphs. Finally, a zero-inflated negative binomial decoder is used to reconstruct the original expression matrix by capturing the global probability distribution of gene expression profiles. Moreover, Spatial-MGCN incorporates a spatial regularization constraint into the features learning to preserve spatial neighbor information in an end-to-end manner. The experimental results show that Spatial-MGCN outperforms state-of-the-art methods consistently in several tasks, including spatial clustering and trajectory inference.
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
尛瞐慶成发布了新的文献求助10
刚刚
刚刚
申承熙完成签到,获得积分20
1秒前
安详水儿发布了新的文献求助10
2秒前
wanci应助eyou采纳,获得10
3秒前
ym发布了新的文献求助10
3秒前
wws完成签到 ,获得积分10
3秒前
丰富成败完成签到,获得积分10
4秒前
申承熙发布了新的文献求助10
5秒前
6秒前
xl完成签到 ,获得积分10
10秒前
10秒前
走心发布了新的文献求助10
10秒前
波波完成签到 ,获得积分10
11秒前
科研通AI2S应助Abi采纳,获得10
12秒前
坚强的曼雁完成签到,获得积分10
15秒前
Kitty完成签到 ,获得积分10
19秒前
20秒前
Jasper应助摸鱼的水仙采纳,获得10
22秒前
ym完成签到,获得积分10
23秒前
初雪完成签到,获得积分10
24秒前
朱朱完成签到,获得积分10
26秒前
FashionBoy应助小丸子采纳,获得10
26秒前
asd关闭了asd文献求助
26秒前
27秒前
27秒前
安详水儿完成签到,获得积分10
30秒前
30秒前
上官若男应助走心采纳,获得10
31秒前
31秒前
杨杨完成签到 ,获得积分10
31秒前
朱朱发布了新的文献求助10
32秒前
33秒前
33秒前
33秒前
敏er好学发布了新的文献求助10
34秒前
asd关闭了asd文献求助
36秒前
英俊的鱼发布了新的文献求助10
36秒前
小丸子发布了新的文献求助10
37秒前
Bosean发布了新的文献求助10
39秒前
高分求助中
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
宽禁带半导体紫外光电探测器 388
COSMETIC DERMATOLOGY & SKINCARE PRACTICE 388
Case Research: The Case Writing Process 300
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 3142206
求助须知:如何正确求助?哪些是违规求助? 2793191
关于积分的说明 7805737
捐赠科研通 2449467
什么是DOI,文献DOI怎么找? 1303333
科研通“疑难数据库(出版商)”最低求助积分说明 626821
版权声明 601291